[发明专利]一种人脸关键点定位方法、装置、终端及存储介质

说明书

本申请涉及计算机视觉领域，尤其是涉及一种人脸关键点定位方法、装置、终端及存储介质，该方法包括：实时获取人脸图像信息；采用轻量级坐标回归网络模型对所述人脸图像信息进行关键点定位并输出关键点定位信息；其中，所述轻量级坐标回归网络模型采用SE‑Sandglass结构作为主干网络。本申请基于轻量级的坐标回归网络模型实现人脸关键点定位，能够应用于计算资源受限的系统中，实现实时的人脸关键点定位并提高定位精度。

技术领域

本申请涉及计算机视觉领域，尤其是涉及一种人脸关键点定位方法、装置、终端及存储介质。

背景技术

随着现代生活日益发展，汽车在生活中越来越普及，汽车数量的迅速增加给人们带来了便利，但是也导致了更多的交通事故，其中由驾驶员个人因素导致的事故比例高达70％以上。因此开发疲劳驾驶监测系统是有效降低交通事故发生率的手段，人脸关键点定位是该系统必不可少的功能。疲劳驾驶监测系统中打哈欠判断，眨眼判断，分神判断等功能模块都依赖于连续稳定的人脸关键点定位算法，依据人脸关键点定位算法，侦测驾驶员的眉毛、眼睛，嘴巴，鼻子，人脸外轮廓等具体的位置分布。通过眼睛和嘴巴的关键点坐标计算闭合程度可以分析驾驶员疲劳状态；通过人脸的鼻子，眉毛和外轮廓可以分析驾驶员的头部朝向，结合疲劳状态和头部朝向对驾驶员的驾驶行为进行监测。

相关技术中的人脸关键点定位算法大致可以分为基于手工特征的传统方法和基于深度学习的回归方法。传统方法中具有代表性的主要有基于模型的ASM，AAMs和基于约束局部模型CLMs，通过优化误差方程以达到关键点定位的目的，但是求解非线性最优化问题相对复杂，中间维度过高还会使计算成本过大。近年来，随着卷积神经网络快速发展，大量基于深度学习的方法被提出，其中基于坐标回归和基于热图回归的两大类方法由于性能优于传统方法而备受青睐。一般用比较大型的网络来最大限度地学习更多特征，以提高定位精度。

针对上述中的相关技术，发明人认为采用比较大型的网络虽然能够提高定位精度，但随之产生的就是效率问题，难以进行实时的人脸关键点定位；而采用小型网络虽然实时性较强，参数量相对较少，但算法性能有限，定位精度较低。

发明内容

为了提高人脸关键点定位的精度和效率，本申请提供了一种人脸关键点定位方法、装置、终端及存储介质。

第一方面，本申请提供一种人脸关键点定位方法，采用如下的技术方案：

一种人脸关键点定位方法，包括：

实时获取人脸图像信息；

采用轻量级坐标回归网络模型对所述人脸图像信息进行关键点定位并输出关键点定位信息；

其中，所述轻量级坐标回归网络模型采用SE-Sandglass结构作为主干网络。

通过采用上述技术方案，基于轻量级的坐标回归网络模型实现人脸关键点定位，能够应用于计算资源受限的系统中，实现实时的人脸关键点定位并提高定位精度。

可选的，所述SE-Sandglass结构包括Sandglass结构和SE结构，将所述Sandglass结构和SE结构进行串联结合。

通过采用上述技术方案，针对Sandglass与SE的优点，将两者进行结合得到SE-Sandglass结构，将Sandglass与SE进行串联结合，并将SE放在高维特征之后，有效地提高了Sandglass模块的表示能力；SE-Sandglass结构不仅具有Sandglass结构较强的提取特征能力、参数量少，同时具有SE结构的通道注意力机制来增强有用特征并抑制对人脸关键点定位用处不大的特征。

可选的，所述Sandglass结构包括依次串联的第一深度卷积、第一逐点卷积、第二逐点卷积和第二深度卷积，所述第一深度卷积和第二逐点卷积后使用非线性激活函数ReLU6，所述第一逐点卷积和第二深度卷积后使用线性激活。