[发明专利]一种基于语义分割的人脸特征点定位方法

说明书

本发明公开了一种基于语义分割的人脸特征点定位方法，属于人脸识别技术领域，包括：获取待识别的单个人脸局部图像作为预先训练好的深度神经网络模型的输入，该深度神经网络模型包括图像编码器模块网络和图像解码器模块网络；利用图像编码器模块网络获取单个人脸局部图像的高层语义特征图；利用图像解码器模块网络对高层语义特征图进行语义分割，得到人脸特征点位置概率图。本发明采用基于深度学习的图像语义分割技术，综合利用人脸图像的深层语义特征和浅层细节特征来定位人脸特征点，人脸特征点定位更加精准。

技术领域

本发明涉及人脸识别技术领域，特别涉及一种基于语义分割的人脸特征点定位方法。

背景技术

人脸特征点定位是指在人脸图像上，通过机器视觉技术精确的定位出脸部的关键特征点位置，关键特征点包括嘴角、眼角、鼻尖等器官位置以及脸部轮廓等位置。人脸特征点定位是人脸识别系统、表情识别系统和人脸属性分析系统等应用领域的技术基础，人脸特征点定位的质量好坏会直接影响到后续工作的可靠性和精准度。

近20年来，人脸特征点定位算法一直是机器视觉领域的研究热点，涌现出很多经典算法，具体算法可以分为以下几类：

(1)基于传统技术的人脸特征点定位算法，该类算法主要基于人脸的统计形状模型方法和级联回归的方法，如经典的算法：ASM、AAM、SDM、LBF等。该类算法的特点是利用人脸器官的几何位置关系，采用统计方法和级联优化的方法获取最终的人脸特征点位置，由于算法提取人脸特征的表达能力有限，并且对人脸特征点之间的形状约束并没有考虑，该类算法的特征点定位精准度误差较大。

(2)基于深度学习的人脸特征点定位算法，近年来，深度学习技术凭借着可以模拟人类大脑神经网络，能够进行精确的非线性预测，各个领域都得到了广泛的关注和应用，出现了一批经典的人脸特征点定位网络框架，如记忆下降法(Mnemonic Descent Method，MDM)、面部地标探测器(A Practical Facial Landmark Detectordensenet，PFLD)，基于深度多任务学习的人脸标志点检测(Facial Landmark Detection by Deep Multi-taskLearning，TCDCN)等。该类算法的特点是利用卷积神经网络模型抓取人脸的深层语义特征，利用这些高层语义特征，或基于多分支任务训练模式，或基于级联多个神经网络模型迭代优化训练模式，获取最终的人脸特征点位置。该类算法相对于传统技术的人脸特征点定位算法，人脸特征点定位精准度有很大的提升，但是特征点定位主要利用的是人脸的深层语义特征，对人脸的浅层语义特征(人脸细节信息)利用较少，导致人脸特征点的定位存在一定的误差。

发明内容

本发明的目的在于克服上述背景技术存在的缺陷，提高人脸特征点定位的精准性。

为实现以上目的，本发明采用一种基于语义分割的人脸特征点定位方法，包括如下步骤：

获取待识别的单个人脸局部图像作为预先训练好的深度神经网络模型的输入，该深度神经网络模型包括图像编码器模块网络和图像解码器模块网络；

利用图像编码器模块网络获取单个人脸局部图像的高层语义特征图；

利用图像解码器模块网络对高层语义特征图进行语义分割，得到人脸特征点位置概率图。

进一步地，所述图像编码器模块网络采用经典的resnet-18网络结构，包括卷积层conv0和四个卷积运算集合体，每个卷积运算集合体内部均设置有不同核尺寸不同跨度的卷积层，所述图像编码器模块网络的输入为大尺寸3通道RGB图像，输出是卷积层conv0得到的语义特征图C0以及四个卷积运算集合体得到的语义特征图C1、C2、C3和C4。