[发明专利]一种基于采样卷积的人脸关键点检测方法

说明书

本发明公开一种基于采样卷积的人脸关键点检测方法，属于图像检测技术领域，该方法包括以下步骤：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；S3、将平均人脸关键点按步骤S1获取的人脸框尺寸放大后，得到初始人脸关键点；S4、利用训练生成的网络模型更新人脸关键点，得到最终的人脸关键点；通过在关键点附近进行点卷积，不断迭代更新结果，在保证精度的同时，进一步提高了计算速度。

技术领域

本发明涉及图像检测技术领域，特别是涉及一种基于采样卷积的人脸关键点检测方法。

背景技术

深度学习近年发展迅猛，以神经网络为代表，解决了诸多领域以前难以解决的问题。人脸关键点检测是人脸对齐前最重要的一步，在基于人脸识别(face recognizaton)技术的应用领域中，关键点检测在人脸识别上起到重要作用；同样，关键点的质量直接关系到检测器识别目标的效率。

人脸关键点检测方法大致分为三种，分别是基ASM(Active Shape Model)和AAM(Active Appearnce Model)的传统方法，基于级联形状回归的方法，以及基于深度学习的方法。

当前，人脸关键点的检测算法中以深度学习效果最好，其中大部分算法用到了卷积神经网络，而卷积运算通常比较耗时，一部分研究者开始在小图上使用卷积网络进行检测，以便提高计算速度，但是牺牲的是精度。因此，目前还没有一种算法能较好的兼顾计算速度和精度。

发明内容

为了解决上述问题，本发明提供一种基于采样卷积的人脸关键点检测方法，通过在关键点附近进行点卷积，不断迭代更新结果，在保证精度的同时，进一步提高了计算速度。为此，本发明采用的技术方案是：

提供一种基于采样卷积的人脸关键点检测方法，该方法包括以下步骤：

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。

步骤S1中的人脸检测算法为本领域常用的人脸检测算法以及现有的人脸检测器均可，例如基于直方图粗分割和奇异值特征的人脸检测算法和基于AdaBoost算法的人脸检测等。

进一步的是，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：