[发明专利]一种基于高斯热图回归的轻量级人脸关键点检测方法

权利要求书

1.一种基于高斯热图回归的轻量级人脸关键点检测方法，其特征在于，包括如下步骤：

步骤(1).获取数据集：

T＝{(I₁,P₁),(I₂,P₂),...,(I_n,P_n)}，P＝{(x₁,y₁),(x₂,y₂),...,(x_N,y_N)}，其中I为人脸图像，P为该人脸图像的关键点坐标集合，(x_i,y_i)是集合P中的第i个关键点坐标，N为关键点数量，n为人脸图像数量；

步骤(2).数据预处理：

将数据集T中的人脸图像尺寸统一为H*W，同时归一化对应的关键点坐标，归一化公式为：

其中，w为原图像的宽度，h为原图像的高度，x和y是预处理之前的关键点坐标，cx和cy是预处理之后的关键点坐标，W是统一尺寸后的图像的宽度，H是统一尺寸后的图像的高度；

步骤(3).利用步骤(2)得到的预处理之后的关键点坐标生成高斯热图，公式如下：

其中，cx和cy是预处理之后的关键点的横坐标和纵坐标，σ是高斯分布的标准差，Y是高斯热图上点(x',y')处的像素值，最终生成的二维高斯热图大小为H*W；

步骤(4).由步骤(2)和步骤(3)生成训练集T_A＝{(G₁,V₁),(G₂,V₂),...,(G_n,V_n)}，V＝{R₁，R₂，...，R_N}其中，G为预处理之后的人脸图像，V为每张人脸图像N个关键点对应的N张高斯热图的集合，R为每个人脸关键点对应的二维高斯热图；

步骤(5).构建卷积神经网络，所述的卷积神经网络采用单阶网络框架，主干网络采用U型网络结构，输出采用热图的方式；

步骤(6).将步骤(4)得到的训练集T_A输入步骤(5)搭建的神经网络中进行训练，得到训练好的人脸关键点检测模型；

步骤(7).在预测阶段，将待检测的人脸图像经过步骤(2)进行预处理，然后输入至步骤(6)训练好的人脸关键点检测模型中，输出每一张待检测的人脸图像对应的N张高斯热图的集合；

步骤(8).由步骤(7)生成的高斯热图得到对应的关键点坐标，每一张高斯热图中像素值最大点所在的坐标即为关键点坐标。

2.如权利要求1所述的基于高斯热图回归的轻量级人脸关键点检测方法，其特征在于，所述的步骤(5)构建的卷积神经网络包括由若干降采样层构成的降采样结构、由若干升采样层构成的上采样结构以及连接层；所述降采样层和升采样层的数量相等，记为p；

将预处理后的人脸图像作为第一层降采样层的输入，然后将上一层降采样层的输出作为下一层降采样层的输入，最后一层降采样层的输出作为第一层上采样的输入；且第i层降采样层的输出与第p-i层升采样层的输出卷积求和进行连接，将连接后的结果作为下一层升采样层的输入，直至获得最后一层升采样层的输出，再依次进行卷积层、激活层后生成高斯热图。

3.如权利要求2所述的基于高斯热图回归的轻量级人脸关键点检测方法，其特征在于，所述的p＝4，即所述的U型网络结构包括了四层降采样层和四层升采样层。

4.如权利要求1所述的基于高斯热图回归的轻量级人脸关键点检测方法，其特征在于，所述的步骤(5)构建的卷积神经网络采用sigmoid激活函数。

5.如权利要求1所述的基于高斯热图回归的轻量级人脸关键点检测方法，其特征在于，所述的步骤(6)在训练时，损失函数公式如下：

式中，L表示损失值，N表示每张人脸的关键点数量，Y表示高斯热图上每个点的实际像素值，Y'表示高斯热图上每个点的预测像素值，α和β是幂指数常数；H和W表示图像尺寸，C表示通道数，即每张人脸的关键点数量。