[发明专利]一种训练皱纹检测模型的方法、电子设备及存储介质

说明书

本发明实施例涉及目标检测技术领域，尤其涉及一种训练皱纹检测模型的方法、电子设备及存储介质，该方法通过预训练获取初始皱纹检测模型，在初始皱纹检测模型的基础上进行训练，一方面，可以加快后续模型收敛，提高训练效率，另一方面，在初始皱纹检测模型的基础上，以调整权重的方式优化损失函数，以解决因类别和位置比例不均等带来的分类效果差的问题，从而，使得训练出的皱纹检测模型能快速准确地直接对皱纹进行分类及定位。

技术领域

本发明实施例涉及目标检测技术领域，尤其涉及一种训练皱纹检测模型的方法、电子设备及存储介质。

背景技术

脸部皱纹检测技术越来越多地应用在多个领域中。例如，在化妆品研发领域中，需要针对不同的脸部皱纹特征，设计化妆产品或者推荐用户相应的化妆品。又例如，在照片美化特效领域中，需要针对不同的脸部皱纹进行不同程度的美化特效。又例如，在人脸识别中，需要根据脸部皱纹作为用户特征以验证用户身份。

当前较为常见的脸部皱纹检测技术，是通过人脸关键特征点分割出皱纹集中出现的区域，然后采用颜色规则以及二值化等处理方法对皱纹集中区域进行处理得到皱纹结果。然而，容易受脸部本身存在的一些因素的干扰，比如头发丝、粗大毛孔等的干扰。另外，只能识别出是否有皱纹，然后，不能识别出皱纹的种类。也即，没有对皱纹的类别进行精细化研究。

发明内容

本发明实施例主要解决的技术问题是提供一种训练皱纹检测模型的方法、电子设备及存储设备，训练出的皱纹检测模型能快速准确地直接对皱纹进行分类及定位。

为解决上述技术问题，第一方面，本发明实施例中提供给了一种训练皱纹检测模型的方法，包括：

获取包括人脸的图像样本；

根据所述图像样本，截取人脸区域图像，所述人脸区域图像标注有第一标签，其中，所述第一标签包括所述图像样本中的皱纹的皱纹位置和皱纹类别；

将标注有所述第一标签的人脸区域图像作为训练样本，对预设卷积神经网络进行预训练，以获取初始皱纹检测模型，其中，所述预设卷积神经网络配置有初始损失函数，所述初始损失函数为类别损失函数和位置损失函数的加权和；

调整所述类别损失函数的第一权重和所述位置损失函数的第二权重，以获取目标损失函数；

根据所述目标损失函数和所述训练样本，对所述初始皱纹检测模型进行训练，以获取皱纹检测模型。

在一些实施例中，所述皱纹类别为第一子类别和第二子类别的组合，所述第一子类别用于反馈所述皱纹的类型，所述第二子类别用于反馈所述皱纹的严重程度；

所述调整所述类别损失函数的第一权重和所述位置损失函数的第二权重，包括：

根据所述第二子类别的个数，调整所述第一权重和所述第二权重。

在一些实施例中，在所述初始损失函数中，所述第一权重和所述第二权重之间的比例为1:1。

在一些实施例中，一个所述皱纹位置对应一个所述皱纹类别，所述皱纹类别的总数量等于所述第一子类别的数量与所述第二子类别的数量之积，所述第一子类别的数量为至少一个，所述第二子类别的数量为至少两个；

所述根据所述第二子类别的个数，调整所述第一权重和所述第二权重，包括：

减小所述第一权重和所述第二权重之间的比例。

在一些实施例中，所述初始皱纹检测模型包括特征卷积层和检测卷积层；

所述根据所述目标损失函数和所述训练样本，对所述初始皱纹检测模型进行训练，获取皱纹检测模型，包括：

将所述训练样本输入至所述特征卷积层进行卷积特征处理，以获取至少两种尺寸的训练特征图；