[发明专利]参数推断方法及装置

说明书

本申请实施例提供了一种参数推断方法及装置，涉及预测或优化技术领域，参数推断方法包括：接收人体部位的多个关键点，其中，所述多个关键点用于反映所述人体部位的特征；使用训练完成的神经网络点分布模型对所述多个关键点进行处理，得到与所述人体部位对应的形状参数和姿态参数。本申请实施例利用训练完成的神经网络点分布模型可以根据人体部位的多个关键点得到人体部位对应的形状参数和姿态参数，与现有技术相比，能够改善计算量大，PDM模型建立时间较长的问题。

技术领域

本申请涉及预测或优化技术领域，具体而言，涉及一种参数推断方法及装置。

背景技术

点分布模型(Point Distribution Model,PDM)是计算机视觉领域中一种经典的描述可变形物体的形状的参数化统计模型。PDM的一个典型的应用是对人脸的形状进行参数化表示，从而获得人脸的尺度、姿态角度、形状特征、表情等几何相关信息的量化描述。对人脸的形状进行参数化表示可以应用于人的注意力检测、行为分析、人机互动等多种场景中。人脸的形状可以用固定数量的坐标点来表示。PDM直观上就是在获取到很多人的人脸坐标点的表示以后，进行统计分析，加工处理成一个参数模型。

点分布模型的实际应用涉及到点分布模型使用的两个阶段，分别是模型建立阶段和模型使用阶段，模型建立阶段要实现根据多个点数据建立起点分布模型，模型使用阶段要实现用建立好的PDM描述人的人脸形状。

现有技术中通常利用OpenFace这个开源人脸几何分析项目来实现PDM的建立和使用，OpenFace是一个基于深度神经网络的开源人脸识别系统。然而利用OpenFace建立PDM时，需要利用3D的关键点通过主成分分析(Principal Component Analysis，简称PCA)的方式建立，然而实际情况中很难获得和标注人脸图像的3D关键点。

现有技术中的另一种方式是通过非刚性运动恢复结构(non-rigid structurefrom motion，简称NRSFM)技术从2D关键点的人脸图像建立3D的PDM，该方式在进行人脸图像的参数推断时，往往通过传统算法或迭代优化算法来实现，例如，利用点拟合阶段推断出缩放、旋转、平移等刚性参数和形状表情等非刚性参数；或者采用先固定非刚性参数，直接求解刚性参数；然后固定刚性参数，更新非刚性参数的迭代方式进行参数的推断，计算量大，PDM模型的建立时间较长。

发明内容

有鉴于此，本申请实施例提供了一种参数推断方法及装置，用以改善现有技术中对人脸图像的参数推断计算量大的问题。

第一方面，本申请实施例提供了一种参数推断方法，所述方法包括：接收人体部位的多个关键点，其中，所述多个关键点用于反映所述人体部位的特征；使用训练完成的神经网络点分布模型对所述多个关键点进行处理，得到与所述人体部位对应的形状参数和姿态参数。

本申请实施例利用训练完成的神经网络点分布模型可以根据人体部位的多个关键点得到人体部位对应的形状参数和姿态参数，与现有技术相比，能够改善计算量大，PDM模型建立时间较长的问题。

在一个可能的设计中，所述神经网络点分布模型包括参数推断单元、关键点重建单元以及模型参数单元，所述关键点重建单元分别与所述参数推断单元以及所述模型参数单元连接，其中，在使用训练完成的神经网络点分布模型对所述多个关键点进行处理之前，所述方法还包括通过以下过程训练所述神经网络点分布模型：获取所述人体部位的多个训练关键点；使用所述参数推断单元对所述多个训练关键点进行处理，推断出与所述多个训练关键点对应的训练形状参数和训练姿态参数；根据所述训练形状参数、训练姿态参数以及初始模型参量通过所述关键点重建单元计算重建关键点，其中，所述初始模型参量是由所述模型参数单元记录的；根据所述重建关键点与所述训练关键点的损失值和反向传播算法更新所述参数推断单元以及所述初始模型参量，直至调整后的神经网络点分布模型对应的损失值符合约束条件。

在上述实现过程中，本申请实施例通过大量的训练关键点便可以实现神经网络点分布模型的训练，使得神经网络点分布模型的获得更加便利。