[发明专利]基于深度学习的人脸关键点检测方法和检测系统

说明书

本发明公开了一种基于深度学习的人脸关键点检测方法和检测系统，其中检测方法包括如下步骤：1、构建基于MobileNetV1架构的人脸关键点检测网络；所述人脸关键点检测网络的输入为人脸图像，输出为人脸关键点坐标；2、将Kaggle上的Facial Key‑points Detection的人脸数据集作为样本图像，对步骤1构建的人脸关键点检测网络进行训练；3、采集待检测人脸的图像；对采集到的待检测图像采用OpenCV的级联分类器获取人脸区域；4、将步骤3获取到的人脸区域输入到训练好的人脸关键点检测网络中，得到左眼和鼻尖坐标；5、计算待检测图像中人脸右眼及左右嘴角的坐标，并进行关键点标注。该方法能够在规模较小的深度学习网络上得到较高的检测精度。

技术领域

本发明属于人脸关键点检测技术领域，具体涉及一种应用深度学习进行人脸关键点检测的方法和系统。

背景技术

人脸检测技术最早是随着人脸识别技术产生的，20世纪六、七十年代人脸识别技术产生，之后到现在已经发展了半个多世纪。这段时间内许多科研人员做了大量研究，做出不同类型不同模式的人脸关键点检测系统。但直到上世纪末，许多系统都是通过外界辅助传感器得到人脸位置或是人脸的移动不明显很容易被捕捉到，因此技术的不成熟使得这一时期人脸检测技术发展较为缓慢。

随着社会的发展，特别是最近二十年来随着计算机技术的快速发展和生物识别的大量应用，人脸检测技术己经不仅仅用于人脸识别了。人脸检测技术应用范围从最初的纯粹科研，发展到现在的商业、军事、安防等许多方面，对该技术的重视程度也达到了新的高度。其中卷积神经网络CNN起到了不可代替的作用。

卷积神经是一种前馈网络，其人工神经元可以覆盖范围内的单元，包括了卷积层和池化层等。目前，卷积神经网络CNN已经普遍应用在计算机视觉域，并且已经取得了不错的效果。近几年来CNN在ImageNet竞赛的表现，可以看到为了追求分类准确度，模型深度越来越深，模型复杂度也越来越高，如深度残差网，其层数已经多达152层。

然而，在某些真实的应用场景如移动或者嵌入式设备，如此大而复杂的模型是难以被应用的。首先是模型过于庞大，面临着内存不足的问题，其次这些场景要求低延迟，或者说响应速度要快，例如，自动驾驶汽车的行人检测系统对响应速度的要求较高。因此，构建一个规模小而效率高的CNN模型非常重要。

发明内容

发明目的：本发明旨在提供一种人脸关键点检测方法，该方法能够在规模较小的深度学习网络上得到较高的检测精度。

技术方案：本发明一方面公开了一种基于深度学习的人脸关键点检测方法，该方法包括训练阶段和检测阶段，所述训练阶段包括如下步骤：

(1)构建基于MobileNetV1架构的人脸关键点检测网络；所述人脸关键点检测网络的输入为人脸图像，输出为人脸关键点坐标；所述人脸关键点为左眼和鼻尖坐标；

所述人脸关键点检测网络包括依次连接的16层网络，其中第一层为普通卷积层；第二层到第十三层为深度卷积层与逐点卷积层交替连接的6个深度可分离卷积单元；第十四层为池化层，第十五层为全连接层，第十六层为softmax层；

(2)将Kaggle上的Facial Key-points Detection的人脸数据集作为样本图像，对步骤(1)构建的人脸关键点检测网络进行训练，得到训练好的人脸关键点检测网络；

所述检测阶段包括如下步骤：

(3)采集待检测人脸的图像；对采集到的待检测图像采用OpenCV的级联分类器获取人脸区域；

(4)将步骤(3)获取到的人脸区域输入到训练好的人脸关键点检测网络中，得到左眼和鼻尖坐标；

(5)计算待检测图像中人脸右眼及左右嘴角的坐标，并进行关键点标注；