[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

说明书

本发明公开了一种卷积神经网络训练方法，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。本发明还公开了一种卷积神经网络训练系统和一种人脸特征点检测方法。采用本发明实施例，在单一卷积神经网络下训练保证特征点检测的精度，且网络结构较简单，训练容易。

技术领域

本发明涉及人脸识别领域，尤其涉及一种卷积神经网络训练方法、系统及人脸特征点检测方法。

背景技术

近年来,深度学习卷积神经网络方法在图像处理领域，取得了长足的进步，慢慢的取代了传统图像处理的方法，深度学习卷积神经网络(Convolutional Neural Networks,CNN)具有自主学习图像特征的优点，广泛用于人脸识别领域，目前在人脸识别领域基于卷积神经网络(CNN)的方法主要有基于级联卷积神经网络的人脸特征点定位方法。

基于级联卷积神经网络的人脸特征点定位方法包括：先使用常用的人脸检测算法，检测出人脸，将检测出的人脸作为输入，输入到一级卷积神经网络中，采用L2损失函数进行训练，得到粗定位的特征点坐标，根据特征点坐标，再截取更小的人脸框，输入到多个二级卷积神经网络，每个特征点使用一个神经网络，从而得到人脸特征点坐标位置，重复上述步骤，再将人脸框作为输入，输入到多个三级卷积神经网络，得到最终的人脸特征点坐标定位。

但是上述方法的网络结构较复杂，例如典型的基于级联卷积神经网络的人脸特征点定位，该方法定位5个人脸的特征点，需要训练10多个卷积神经网络，若定位15、21或68个特征点，需要训练几十个甚至上百个卷积神经网络,计算量大，训练比较困难，且在性能较弱的设备上运行速度缓慢，实际场景中使用体验差。且采用L2损失函数进行训练，其对离群点、异常值(outlier)较敏感，鲁棒性较差，训练时容易不收敛，导致精度不够。

发明内容

本发明实施例的目的是提供一种卷积神经网络训练方法、系统及人脸特征点检测方法，在单一卷积神经网络下训练保证特征点检测的精度，且网络结构较简单，训练容易。

为实现上述目的，本发明实施例提供了一种卷积神经网络训练方法，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。

与现有技术相比，本发明公开的卷积神经网络训练方法，首先，对特征点的坐标进行归一化处理，从而得到归一化处理后的数据；然后，将归一化处理后的数据输入到单个卷积神经网络中，采用SmoothL1损失函数训练卷积神经网络；最后，在训练过程中当Loss值收敛时，即可输出训练后的卷积神经网络作为训练模型。采用SmoothL1损失函数训练单个卷积神经网络，解决了现有技术中需要多个卷积神经网络训练人脸特征点而造成计算量大和结构复杂、采用L2损失函数进行训练导致精度不足的问题，在单一卷积神经网络下训练保证特征点检测的精度，且网络结构较简单，训练容易。

作为上述方案的改进，所述SmoothL1损失函数满足：