[发明专利]模型训练方法、特征点检测方法、装置、设备及存储介质

说明书

本申请实施例公开了一种人脸特征点检测模型训练方法、人脸特征点检测方法、装置、设备及存储介质，在训练人脸特征点检测模型时，将至少一个人脸图像样本输入人脸特征点检测模型，得到每一个人脸图像样本的人脸特征点预测值；获取每一个人脸图像样本对应的第一权重；每一个人脸图像样本对应的第一权重与该人脸图像样本的人脸几何变形信息正相关；以每一个人脸图像样本的人脸特征点预测值趋近于该人脸图像样本对应的人脸特征点标签为目标，利用各个人脸图像样本对应的第一权重、人脸特征点预测值以及人脸特征点标签，对人脸特征点检测模型的参数进行更新。提高人脸特征点检测模型对稀有的大姿态人脸的特征点的检测精度。

技术领域

本申请涉及人工智能技术领域，更具体地说，涉及一种人脸特征点检测模型训练方法、人脸特征点检测方法、装置、设备及存储介质。

背景技术

人脸特征点检测是虚拟化妆技术、换脸、人脸识别、表情识别和人脸编辑等多种应用的重要组成部分，在生活中的许多场景中都有应用。人脸特征点检测的目的是在一张人脸图像中自动定位出面部关键特征点，如眉毛、眼睛、鼻尖、嘴角点、及人脸轮廓点等，用来表征人脸的关键特征。

现阶段，普遍使用的人脸特征点检测方法是基于神经网络模型的人脸特征点检测方法。但神经网络模型的检测精度很大程度上依赖于人脸训练数据，而由于人脸姿态的多样性，用于训练神经网络模型的数据集中可能包含大量的正面人脸，而大姿态人脸(比如，倾斜角度大的人脸)的数据量欠缺，这种不平衡会使模型无法准确地表示稀有数据(即大姿态人脸)的特征，导致神经网络模型在大姿态角度的人脸中检测到的特征点可能会出现较大偏差。

因此，如何提高神经网络模型在稀有人脸姿态下的检测精度成为亟待解决的技术问题。

发明内容

本申请的目的是提供一种人脸特征点检测模型训练方法、人脸特征点检测方法、装置、设备及存储介质，包括如下技术方案：

一种人脸特征点检测模型训练方法，包括：

将至少一个人脸图像样本输入所述人脸特征点检测模型，得到每一个人脸图像样本的人脸特征点预测值；

获取每一个人脸图像样本对应的第一权重；每一个人脸图像样本对应的第一权重与该人脸图像样本的人脸几何变形信息正相关；

以每一个人脸图像样本的人脸特征点预测值趋近于该人脸图像样本对应的人脸特征点标签为目标，利用各个人脸图像样本对应的第一权重、人脸特征点预测值以及人脸特征点标签，对所述人脸特征点检测模型的参数进行更新。

上述方法，优选的，获取每一个人脸图像样本对应的第一权重，包括：

对于每一个人脸图像样本，利用该人脸图像样本的人脸几何变形信息以及预置的该人脸图像样本在各个人脸类别下对应的第二权重，获取该人脸图像样本对应的第一权重。

上述方法，优选的，每一个人脸图像样本的人脸几何变形信息包括K个维度的人脸几何变形信息；所述对于每一个人脸图像样本，利用该人脸图像样本的人脸几何变形信息以及预置的该人脸图像样本在各个人脸类别下对应的第二权重，获取该人脸图像样本对应的第一权重，包括：

对于每一个人脸图像样本，利用如下公式获取该人脸图像样本对应的第一权重：

其中，γ_m表示第m个人脸图像样本对应的第一权重；C表示人脸类别数；表示第m个人脸图像样本在第c类人脸类别下对应的第二权重；表示第m个人脸图像样本对应的人脸在第k个维度的几何变形信息的归一化值，所述归一化值反比于所述第m个人脸图像样本对应的人脸在第k个维度的几何变形信息。

上述方法，优选的，所述至少一个人脸图像样本包括如下两种人脸图像样本中的至少一种：

通过图像采集装置采集的第一类人脸图像；