[发明专利]一种基于全局注意力的人脸特征点定位方法及系统

说明书

本发明的一种基于全局注意力的人脸特征点定位方法及系统，包括：获取人脸局部图像；把获取到的图像输入事先训练好的基于全局注意力的人脸特征点定位模型，对于输入的人脸局部图像，经过基于全局注意力的人脸特征点定位模型前向运算后，直接输出人脸特征点位置；本发明的基于全局注意力的人脸特征点定位方法及系统，基于深度学习技术，利用残差网络机制和全局注意力融合机制，获取人脸图像的具有全局语义信息和局部语义信息的融合特征，使得深度神经网络模型能够兼顾人脸图像的全局信息和局部信息，精准的计算出人脸特征点位置，人脸特征点定位更加精准，鲁棒性更高。

技术领域

本发明涉及人脸识别技术领域，具体涉及一种基于全局注意力的人脸特征点定位方法及系统。

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MDM(Mnemonic Descent Method)、PFLD(PFLD:A Practical Facial Landmark Detectordensenet)，TCDCN(Facial LandmarkDetection by Deep Multi-task Learning)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，利用这些深层语义特征，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局部语义信息，而局部语义信息无法综合利用人脸器官的整体几何信息，导致人脸特征点的定位存在一定的误差。

发明内容

本发明提出的一种基于全局注意力的人脸特征点定位方法及系统，可解决上述背景技术中的问题。

为实现上述目的，本发明采用了以下技术方案：

一种基于全局注意力的人脸特征点定位方法，包括：

获取人脸局部图像；

把获取到的图像输入事先训练好的基于全局注意力的人脸特征点定位模型，对于输入的人脸局部图像，经过基于全局注意力的人脸特征点定位模型前向运算后，直接输出人脸特征点位置；

其中，

所述基于全局注意力的人脸特征点定位模型的网络结构包括：

conv0层是一个核尺寸为7×7，跨度为2×2的卷积层；

maxpool0层是一个核尺寸为2×2，跨度为2×2的最大值池化层；

conv0层和maxpool0层共同组成了一个特征图分辨率快速下降网络；

resblock0、resblock1、resblock2、resblock3均是resnet网络的resblock残差模块；