[发明专利]人脸图像关键点检测方法、装置、计算机设备及存储介质

说明书

本发明实施例公开了一种人脸图像关键点检测方法、装置、计算机设备及存储介质，包括下述步骤：获取待处理的人脸图像将所述人脸图像输入到预设的卷积神经网络模型中，其中，所述卷积神经网络模型包括至少两个通道；获取所述卷积神经网络模型输出的分类数据，并根据所述分类数据对所述人脸图像进行内容理解，其中，所述分类数据为所述至少两个通道的输出值的均值。通过卷积神经网络模型的多个通道，分别获取不同通道对同一人脸图像的分类数据，然后计算多个分类数据的平均值，通过平均值的计算消拍摄时抖动与外界光线对人脸图像造成的随机误差，使整个卷积神经网络模型的的收敛性更好，同时输出的精准度与稳定性增强，提高了模型的鲁棒性。

技术领域

本发明实施例涉及图像处理领域，尤其是一种人脸图像关键点检测方法、装置、计算机设备及存储介质。

背景技术

随着深度学习技术的发展，卷积神经网络已经成为提取人脸特征的有力工具，对于模型固定的卷积神经网络而言，最核心的技术是如何设计损失函数，使其能有效地监督卷积神经网络的训练，从而使卷积神经网络具有提取人脸图像中关键点坐标特征的能力。

现有技术中人脸关键点技术中，传统的方法包括基于形状约束方法，基于级联回归的方法，例如，经典模型有主动形状模型通过训练图像样本获取训练图像样本的特征点分布的统计信息，并且获取特征点允许存在的变化方向，实现在目标图像上寻找对应的特征点的位置。

本发明创造的发明人在研究中发现，视频中的人脸关键点检测时由于拍摄视频抖动较大且受外界的光线影响，导致难以精确检测人脸关键点，鲁棒性差，收敛程度较低。

发明内容

本发明实施例提供一种通过多通道卷积神经网络模型提高收敛度的人脸图像关键点检测方法、装置、计算机设备及存储介质。

为解决上述技术问题，本发明创造的实施例采用的一个技术方案是：提供一种人脸图像关键点检测方法，包括下述步骤：

获取待处理的人脸图像；

将所述人脸图像输入到预设的卷积神经网络模型中，其中，所述卷积神经网络模型包括至少两个通道；

获取所述卷积神经网络模型输出的分类数据，并根据所述分类数据对所述人脸图像进行内容理解，其中，所述分类数据为所述至少两个通道的输出值的均值。

可选地，所述卷积神经网络模型包括：第一损失函数和第二损失函数。

可选地，所述第一损失函数用于分别计算所述至少两个通道的输出值与预设的期望真值之间的欧氏距离，所述第一损失函数的特征描述为：

其中，x_i和y_i为第一级网络第i个点坐标的输出值，和为第i个点坐标的期望真值，n为人脸关键点的个数。

可选地，所述第二损失函数用于计算所述至少两个通道提取的图像特征的欧氏距离，所述第二损失函数的特征描述为：

其中，f_1i和f_2i为两个网络提取的特征，ZG(.)为梯度停止函数。

可选地，所述卷积神经网络模型通过下述步骤训练形成：

获取标记有分类判断信息的训练样本数据；

将所述训练样本数据输入卷积神经网络模型获取所述训练样本数据的分类参照信息，其中，所述分类参照信息为所述至少两个通道的输出值的均值；

比对所述训练样本数据内不同样本的模型分类参照信息与所述分类判断信息是否一致；

当所述模型分类参照信息与所述分类判断信息不一致时，反复循环迭代的更新所述卷积神经网络模型中的权重，至所述比对结果与所述分类判断信息一致时结束。