[發(fā)明專利]一種人臉特征點定位方法及裝置

在審

• 申請?zhí)枺?/td>: 202210351478.3
• 申請日: 2022-04-02
• 公開（公告）號: CN114821711A
• 公開（公告）日: 2022-07-29
• 發(fā)明（設計）人: 賈瑜;白鴿;王賢良;孟凡軍
• 申請（專利權）人: 北京海鑫智圣技術有限公司
• 主分類號: G06V40/16
• 分類號: G06V40/16;G06V10/32;G06T3/40;G06N3/08;G06N3/04
• 代理公司: 北京路浩知識產權代理有限公司 11002
• 代理人: 白冬梅

1.一種人臉特征點定位方法，其特征在于，包括：

獲取目標圖像；

對所述目標圖像進行預處理，得到預處理圖像；

將所述預處理圖像輸入至預先訓練的人臉特征點定位模型中，獲取所述目標圖像的人臉判別結果、特征點坐標值以及置信度；

若所述人臉判別結果為所述目標圖像為人臉圖像，則根據所述特征點坐標值和相應的置信度，得到所述目標圖像的目標特征點坐標值和目標置信度。

2.根據權利要求1所述的人臉特征點定位方法，其特征在于，所述對目標圖像進行預處理，得到預處理圖像，包括：

根據預設裁剪方式對所述目標圖像進行裁剪，得到第一處理圖像：

對所述第一處理圖像進行歸一化處理，并將歸一化處理后的圖像縮放至預設的大小，得到所述預處理圖像。

3.根據權利要求1所述的人臉特征點定位方法，其特征在于，所述將預處理圖像輸入至預先訓練的人臉特征點定位模型中，獲取目標圖像的人臉判別結果、特征點坐標值以及置信度，包括：

將所述預處理圖像依次輸入至所述人臉特征點定位模型的深度可分離卷積層、ReLU網絡層、BatchNorm網絡層以及下采樣網絡層，得到第一特征圖；

將所述第一特征圖依次輸入至深度可分離卷積層、ReLU網絡層、BatchNorm網絡層以及上采樣網絡層，得到第二特征圖；

將所述第二特征圖輸入至卷積網絡層，獲取所述目標圖像的特征點熱圖；

使用預設激活函數對所述特征點熱圖進行處理，得到所述特征點坐標值；

將所述特征點熱圖依次輸入至全局最大池化層和第一全連接層，得到與所述特征點坐標值相對應的置信度。

4.根據權利要求1所述的人臉特征點定位方法，其特征在于，所述將預處理圖像輸入至預先訓練的人臉特征點定位模型中，獲取目標圖像的人臉判別結果、特征點坐標值以及置信度，還包括：

所述人臉特征點定位模型包括人臉分類網絡；

將所述第一特征圖輸入至所述人臉分類網絡，獲取所述人臉判別結果。

5.根據權利要求4所述的人臉特征點定位方法，其特征在于，所述將所述第一特征圖輸入至所述人臉分類網絡，獲取所述人臉判別結果，包括：所述人臉分類網絡根據預設閾值判斷所述目標圖像是否為人臉圖像。

6.根據權利要求5所述的人臉特征點定位方法，所述人臉分類網絡根據預設閾值判斷所述目標圖像是否為人臉圖像，包括：

若所述人臉分類網絡輸出的人臉分數大于所述預設閾值，則所述目標圖像為人臉圖像；

若所述人臉分類網絡得到的人臉分數小于所述預設閾值，則所述目標圖像為非人臉圖像。

7.根據權利要求4所述的人臉特征點定位方法，其特征在于，所述將所述第一特征圖輸入至所述人臉分類網絡，獲取所述人臉判別結果，包括：

將所述第一特征圖依次輸入至所述人臉分類網絡中的普通卷積網絡層、全局平均池化層以及第二全連接層，利用激活函數對第二全連接層的輸出結果進行處理，得到所述人臉判別結果。

8.根據權利要求1-7中任一項所述的人臉特征點定位方法，其特征在于，還包括：對所述人臉特征點定位模型進行訓練，訓練過程中使用的損失函數為KL散度和交叉熵損失函數；其中，KL散度的公式如下：

其中，α為預測方差，y為特征點的真實值，為特征點的預測值。

9.一種人臉特征點定位裝置，其特征在于，包括：

目標圖像獲取模塊，用于獲取目標圖像；

目標圖像處理模塊，用于對所述目標圖像進行預處理，得到預處理圖像；

第一結果獲取模塊，用于將所述預處理圖像輸入至預先訓練的人臉特征點定位模型中，獲取所述目標圖像的人臉判別結果、特征點坐標值以及置信度；

第二結果獲取模塊，用于若所述人臉判別結果為所述目標圖像為人臉圖像，則根據所述特征點坐標值和相應的置信度，得到所述目標圖像的目標特征點坐標值和目標置信度。