[发明专利]基于门控卷积的低清人脸关键点检测方法

权利要求书

1.一种基于门控卷积的低清人脸关键点检测方法，其特征在于，包括以下步骤：

步骤S1:采集人脸关键点数据并标注，获得高清人脸图像以及对应的人脸关键点坐标；

步骤S2：对高清人脸图像进行预处理后，作为深度学习的训练数据集；

步骤S3:构建类U-net网络结构；

步骤S4:构建门控卷积模块；

步骤S5：根据类U-net网络结构和门控卷积模块，结合多层级联的输出结构，构建人脸关键点检测网络,并根据训练数据集进行训练；

步骤S6:将待检测图像输入训练后的人脸关键点检测网络，获取人脸关键点。

2.根据权利要求1所述的基于门控卷积的低清人脸关键点检测方法，其特征在于，所述步骤S1具体为：

步骤S11:通过开源的数据集结合手工标注收集若干张人脸关键点数据，进一步获取高清人脸图像X_high以及对应的人脸关键点坐标M；

步骤S12:对于高清人脸图像X_high进行缩放，统一缩放到NxN的大小。

3.根据权利要求1所述的基于门控卷积的低清人脸关键点检测方法，其特征在于，所述步骤S2具体为：

步骤S21:对高清人脸图像X_high随机增加高斯噪声，并在10～100之间随机地选择一个质量参数，对清晰的人脸图像做退化处理，退化因子为α，即可获取低清人脸图像X_low；

步骤S22:通过对原始图像和低清图像进行随机翻转，得到增广图片数据，关键点坐标也同步翻转；

步骤S23:以匹配数据对的方式存储处理后的高清、低清人脸图像X以及对应的人脸关键点坐标M，作为深度学习的训练数据集。

4.根据权利要求1所述的基于门控卷积的低清人脸关键点检测方法，其特征在于，所述类U-net网络结构的核心网络中特征提取阶段由14个卷积块组成，包括一个卷积层，一个Relu激活函数，其中一个大卷积块的计算公式是：

F_n＝R(W_n*F_n-1+B_n) (1)

其中R表示非线性激活函数Relu，W_n、B_n分别表示特征提取阶段中卷积层的权重和偏置，F_n-1表示上一个卷积输出的特征图，F_n表示当前特征提取阶段得到的输出特征图。

5.根据权利要求1所述的基于门控卷积的低清人脸关键点检测方法，其特征在于，所述门控卷积模型由两个卷积模块组成的提取特征模块，分别是门控模块和特征提取模块，具体为：

Gating_y，x＝∑∑W_g·I (2)

Feature_y，x＝∑∑W_f·I (3)

O_y，x＝Φ(Featture_y，x)⊙σ(Gating_y，x) (4)

其中Gating_y，x表示对应于坐标(y,x)位置的特征门限值；σ是一个激活函数，用于控制Gating_y，x的输出值在0～1之间；Feature_y，x表示特征提取模块提取到的(y,x)位置的特征，Φ是Relu激活函数。

6.根据权利要求1所述的基于门控卷积的低清人脸关键点检测方法，其特征在于，所述步骤S5中根据训练数据集进行训练，具体为：

将训练数据集分别作为两个阶段的输入，其中第一阶段训练采用1e-4的学习率；

当网络收敛时，开始训练第二阶段网络的训练第二阶段采用1e-5做微调；

每一阶段的训练过程，都被分为多个子训练周期，采用步进增长策略依次进行子训练周期的训练；

当完成一个子训练周期后生成的结果与其对应的高清图像数据存在出路大于阈值时，则继续进行反向传播，利用梯度下降优化算法更新卷积权值参数和偏置参数再执行每一个网络的初始训练步骤；当在完成一个子训练周期后生成的目标检测框达到预期或完成所有预设的子训练周期的次数后，则获得最终结果。