[发明专利]人脸关键点检测的方法、人脸检测方法及装置

权利要求书

1.一种人脸关键点检测的方法，其特征在于，包括：

获取多个训练图像，每个所述训练图像中均包含多个人脸关键点，所述人脸关键点用于表征人脸上的五官信息；

根据所述人脸关键点的位置坐标计算得到当前所述训练图像中的人脸对应的头部姿态角度；以及，

根据所述训练图像的图像信息、每个训练图像对应的头部姿态角度以及每个所述训练图像中多个所述人脸关键点的位置坐标进行训练，得到人脸关键点预测模型。

2.如权利要求1所述的人脸关键点检测的方法，其特征在于，所述头部姿态角度的计算方法为：

其中，θ表示向量绕轴转动的角度，tr(R)表示头部姿态的欧拉角矩阵，tr(I)表示所述待测图像的图像信息矩阵，x、y、z表示所述人脸关键点的位置坐标，k表示所述人脸关键点的位置坐标矩阵，k^T表示k的转置矩阵。

3.如权利要求1或2所述的人脸关键点检测的方法，其特征在于，所述人脸关键点预测模型的输入矩阵L为：

其中，n表示所述训练图像的序数，I表示所述训练图像的图像信息，I_n1表示第n个所述训练图像的第一列图像信息，M表示人脸关键点的位置坐标，M_n68表示第n个所述训练图像中第68个人脸关键点的位置坐标，R表示所述头部姿态角度，R_n1、R_n2和R_n3分别表示第n个训练图像中头部姿态角度的俯仰角、滚动角和偏航角。

4.如权利要求3所述的人脸关键点检测的方法，其特征在于，所述人脸关键点预测模型的损失函数为：

其中，M表示所述训练图像的总数量，N表示单个所述训练图像中包含的人脸关键点的数量，γ_n表示第n个人脸特征点对应的权重，表示第m个训练图像中第n个人脸特征点的实际位置坐标与预测位置坐标之间的距离。

5.如权利要求3所述的人脸关键点检测的方法，其特征在于，在计算所述训练图像的头部姿态角度之前，还包括：

对所述训练图像进行数据增广，所述数据增广至少包括对所述训练图像进行旋转、缩放、翻转和部分遮挡，数据增广后的所述训练图像用于对所述人脸关键点预测模型进行进一步训练。

6.如权利要求5所述的人脸关键点检测的方法，其特征在于，在训练得到所述人脸关键点预测模型的过程中，给具有不同头部姿态角度的训练图像赋予不同的权重。

7.如权利要求6所述的人脸关键点检测的方法，其特征在于，所述人脸关键点预测模型的损失函数为：

其中，M表示所述训练图像的总数量，N表示单个所述训练图像中包含的人脸关键点的数量，θ表示头部姿态角度，k∈[1,2,3]，γ_n表示第n个人脸特征点对应的权重，表示第m个训练图像中第n个人脸特征点的实际位置坐标与预测位置坐标之间的距离。

8.如权利要求1所述的人脸关键点检测的方法，其特征在于，所述人脸关键点至少包括左眼轮廓点、右眼轮廓点、鼻尖关键点、鼻翼关键点、嘴角关键点和人中关键点中的一种或多种。

9.一种人脸检测方法，采用如权利要求1～8中任一项所述的人脸关键点预测模型进行人脸关键点的预测，其特征在于，包括：

获取连续的至少两帧待测图像，所述待测图像中至少包含一具有人脸特征的待检测对象；

将所述待测图像输入所述人脸关键点预测模型，获取所述待测图像的头部姿态信息和人脸关键点；以及，

根据前后两帧待测图像之间的变化情况判断所述待检测对象是否为真人，若所有前后两帧待测图像之间的变化量均小于一活体阈值，则判定所述待检测对象为真人，否则，判定所述待检测对象不是真人。