[发明专利]卷积神经网络训练方法、系统及人脸特征点检测方法

权利要求书

1.一种卷积神经网络训练方法，其特征在于，包括：

获取若干个待训练人脸框信息；其中，所述待训练人脸框信息中包含预设的若干个特征点；

获取所述特征点的坐标，对所述特征点的坐标进行归一化处理；

将归一化处理后的数据作为标准值输入到单个卷积神经网络中，并采用SmoothL1损失函数训练所述卷积神经网络；

判断所述SmoothL1损失函数中的Loss值是否收敛至预设值；

若是，则输出训练后的卷积神经网络作为训练模型；若否，则调整预设参数直至所述Loss值收敛至预设值。

2.如权利要求1所述的卷积神经网络训练方法，其特征在于，所述SmoothL1损失函数满足：

Loss＝∑_i∈(1…N)smooth_L1(v_i-t_i) 公式(1)；

其中，v_i为所述标准值；t_i为所述卷积神经网络的预测值；N为所述标准值的个数。

3.如权利要求1所述的卷积神经网络训练方法，其特征在于，所述对所述特征点的坐标进行归一化处理，具体包括：

获取所述人脸框信息中的顶点坐标；其中，所述顶点坐标为所述人脸框信息中人脸框的左上角坐标、左下角坐标、右上角坐标或右下角坐标；

用所述特征点的坐标与所述顶点坐标的差值除以所述人脸框的长度值或宽度值进行归一化处理。

4.如权利要求1所述的卷积神经网络训练方法，其特征在于，采用BP算法训练所述卷积神经网络，并根据Adam优化算法对所述卷积神经网络进行训练优化。

5.如权利要求4所述的卷积神经网络训练方法，其特征在于，所述预设参数包括所述卷积神经网络的参数和所述Adam优化算法的参数。

6.一种卷积神经网络训练系统，其特征在于，包括：

待训练人脸框信息获取单元，用于获取若干个待训练人脸框信息；其中，所述待训练人脸框信息中包含预设的若干个特征点；

归一化处理单元，用于获取所述特征点的坐标，对所述特征点的坐标进行归一化处理；

训练单元，用于将归一化处理后的数据作为标准值输入到单个卷积神经网络中，并采用SmoothL1损失函数训练所述卷积神经网络；

判断单元，用于判断所述SmoothL1损失函数中的Loss值是否收敛至预设值；若是，则输出训练后的卷积神经网络作为训练模型；若否，则调整预设参数直至所述Loss值收敛至预设值。

7.如权利要求6所述的卷积神经网络训练系统，其特征在于，所述SmoothL1损失函数满足：

Loss＝∑_i∈(1…N)smooth_L1(v_i-t_i) 公式(1)；

其中，v_i为所述标准值；t_i为所述卷积神经网络的预测值；N为所述标准值的个数。

8.如权利要求6所述的卷积神经网络训练系统，其特征在于，所述归一化处理单元具体用于：

获取所述人脸框信息中的顶点坐标；其中，所述顶点坐标为所述人脸框信息中人脸框的左上角坐标、左下角坐标、右上角坐标或右下角坐标；

用所述特征点的坐标与所述顶点坐标的差值除以所述人脸框的长度值或宽度值进行归一化处理。

9.如权利要求6所述的卷积神经网络训练系统，其特征在于，所述训练单元采用BP算法训练所述卷积神经网络，并根据Adam优化算法对所述卷积神经网络进行训练优化。

10.一种人脸特征点检测方法，其特征在于，包括：

获取原始图像中的待检测人脸框；

将所述待检测人脸框输入预先训练好的训练模型；其中，所述训练模型的训练方法为如权利要求1～5中任一项所述的卷积神经网络训练方法；

获取所述训练模型的输出数据作为所述待检测人脸框的特征点坐标。