[发明专利]基于图像的目标点位置检测方法、装置、电子设备

权利要求书

1.一种基于图像的目标点位置检测方法，其特征在于，包括：

获取标注有真实目标点位置的若干图像样本；

通过神经网络模型的损失函数根据变量计算所述神经网络模型的损失值，并以所述损失值最小为目标调整所述神经网络模型的参数，训练所述神经网络模型；其中，所述损失函数被配置为相对于变量的绝对值单调递增，所述损失函数对应的梯度函数为单调递减函数且所述梯度函数的值大于1并在所述变量趋近于无穷大时逐渐趋近于1；所述变量用于表示真实值和预测值之间的差值，所述真实值基于标注的所述真实目标点位置确定，所述预测值通过所述神经网络模型对各所述图像样本进行预测得到；

通过训练得到的所述神经网络模型，对输入的图像进行目标点位置检测。

2.根据权利要求1所述的方法，其特征在于，所述损失函数表示为：

其中，α是超参数，用于控制损失函数的变化快慢；x是变量，表示所述预测值和所述真实值之间的差值。

3.根据权利要求1所述的方法，其特征在于，所述神经网络模型的最后一层全连接层包括第一分支网络和第二分支网络，所述训练所述神经网络模型的步骤，包括：

以所述图像样本的真实目标点位置作为真实值，通过由所述神经网络模型的损失函数根据变量计算所述神经网络模型的第一损失值，并以所述第一损失值最小为目标调整所述神经网络模型的参数，对所述神经网络模型的主干网络和第一分支网络的各层参数进行一阶段训练；

对目标点位置进行分组；

对于每组目标点位置，分别执行以下操作：

以各所述图像样本的预测误差作为真实值对相应图像样本进行标注，通过由所述神经网络模型的损失函数根据变量计算所述神经网络模型的第二损失值，并以所述第二损失值最小为目标调整所述神经网络模型第二分支网络的参数，对所述神经网络模型的所述全连接层中第二分支网络的参数进行二阶段训练，其中，所述图像样本的预测误差为一阶段训练得到的所述神经网络模型对所述图像样本进行预测得到的预测值与相应图像样本的真实目标点位置之间的差值。

4.根据权利要求3所述的方法，其特征在于，所述对目标点位置进行分组的步骤，包括：

根据所述真实目标点位置对应的归一化平均误差，对所述真实目标点位置进行分组。

5.根据权利要求3所述的方法，其特征在于，所述对目标点位置进行分组的步骤，包括：

根据所述真实目标点位置之间的相关性或空间距离，对所述真实目标点位置进行分组。

6.根据权利要求1所述的方法，其特征在于，所述神经网络模型为瘦残差网络，所述神经网络模型的卷积层采用N×N的滤波器，其中，N为大于2且小于6的整数。

7.根据权利要求1至6任一项所述的方法，其特征在于，所述获取标注有真实目标点位置的若干图像样本的步骤，包括：

获取标注有真实人脸关键点位置的若干图像样本；

所述通过训练得到的所述神经网络模型，对输入的图像进行目标点位置检测的步骤，进一步包括：

所述通过训练得到的所述神经网络模型，对输入的图像进行人脸关键点位置检测。

8.一种基于图像的目标点位置检测装置，其特征在于，包括：

图像样本获取模块，用于获取标注有真实目标点位置的若干图像样本；

模型训练模块，用于通过神经网络模型的损失函数根据变量计算所述神经网络模型的损失值，并以所述损失值最小为目标调整所述神经网络模型的参数，训练所述神经网络模型；其中，所述损失函数被配置为相对于变量的绝对值单调递增，所述损失函数对应的梯度函数为单调递减函数且所述梯度函数的值大于1并在所述变量趋近于无穷大时逐渐趋近于1；所述变量用于表示真实值和预测值之间的差值，所述真实值基于标注的所述真实目标点位置确定，所述预测值通过所述神经网络模型对各所述图像样本进行预测得到；

目标点位置检测模块，用于通过训练得到的所述神经网络模型，对输入的图像进行目标点位置检测。