[发明专利]一种基于采样卷积的人脸关键点检测方法

权利要求书

1.一种基于采样卷积的人脸关键点检测方法，其特征在于，包括以下步骤：

S1、获取包含人脸的灰度图像，并利用人脸检测算法获取所述灰度图像中的人脸框；

S2、准备训练集，将训练集图像中所有人脸进行普鲁克分析，得到平均人脸关键点S_std；

S3、将S_std按步骤S1获取的人脸框尺寸放大后，得到初始人脸关键点S₀；

S4、利用训练生成的网络模型更新人脸关键点S_i，得到最终的人脸关键点；其中i∈[1,It]，i表示第i次迭代，It为迭代次数，取值范围为1-10；S_It即为最终的人脸关键点；

所述更新的具体步骤如下：

S41、利用采样卷积算法对S_i-1处的图像进行特征提取，得到特征向量

S42、计算人脸关键点偏差ΔS_i；

S43、利用所述人脸关键点偏差更新人脸关键点S_i，即S_i＝S_i-1+ΔS_i；

所述步骤S41中采样卷积算法的步骤为：

S411、计算采样卷积的最大扩张率d_i＝E_i-1Scale_i，其中，E_i-1表示S_i-1中两眼的距离，Scale_i表示缩放尺度，取值为0.1ⁱ～0.9ⁱ；

S412、在S_i-1中的每个人脸关键点位置用m个卷积核进行扩张卷积运算，并将运算结果拼接成一维特征向量卷积核表示为Kernel_i,j,k,o，其中，j表示第j个人脸关键点，k表示卷积核大小，其值为大于等于3的奇数，o表示扩张率m＝10-128。

2.根据权利要求1所述的一种基于采样卷积的人脸关键点检测方法，其特征在于，步骤S4中，所述网络模型的训练过程包括：

以所述步骤S2中的训练集为训练样本，所述训练集中的训练数据为灰度图像以及对应的人脸关键点S，以Sⁿ表示第n个人脸的关键点信息；所述训练过程按照迭代次数分别训练，每次迭代的训练完成后，在此结果基础上进行下一次迭代的训练，每次训练的过程如下：

S51、在所述训练集上用S_std生成初始人脸关键点数据S_init；

S52、以端到端的方式依次训练第i次迭代的参数Kernel_i,j,k,o、W_i、b_i，即使用梯度下降法求其中，Kernel_i,j,k,o表示卷积核，W_i为网络模型训练得到的权重，b_i为网络模型训练得到的偏置项，Iⁿ表示第n个人脸图像，f_i表示第i次迭代的采样卷积和全连接运算过程，SampleNum表示训练集中人脸个数，表示第i-1次迭代训练完成后的第n个人脸的人脸关键点信息，即

3.根据权利要求1所述的一种基于采样卷积的人脸关键点检测方法，其特征在于，步骤S42中，人脸关键点偏差ΔS_i的计算公式为：

ΔS_i＝W_iφ_i+b_i，

其中，W_i为网络模型训练得到的权重，b_i为网络模型训练得到的偏置项。

4.根据权利要求2所述的一种基于采样卷积的人脸关键点检测方法，其特征在于，步骤S51的具体步骤为：

S511、利用人脸检测算法获取训练集图像中的人脸框；

S512、将训练集图像中所有人脸进行普鲁克分析，得到平均人脸关键点S_std；

S513、将S_std按步骤S1获取的人脸框尺寸放大后，得到初始人脸关键点S_init。