[发明专利]人像标志点检测模型的构建方法、装置及计算机存储介质

说明书

本发明公开了一种人像图像的标志点检测方法、装置及计算机存储介质，包括：将样本人脸图像输入待训练的检测模型中，以使检测模型对样本人脸图像中的标志点进行检测得到检测热力图；根据检测热力图以及基于实际标志点生成的参考热力图判断检测模型是否满足收敛条件；若否，修正模型参数直至得到满足收敛条件的人像标志点检测模型。可见，实施本发明依据检测模型对样本人脸图像中的标志点检测得到的检测热力图和预先生成的参考热力图来构建人像标志点检测模型，得到可输出检测热力图的人像标志点检测模型，无需通过全连接层进行预测，且输出特征较大，有利于减少人像标志点检测的过拟合现象，提高了人像标志点检测模型的泛化能力和检测精度。

技术领域

本发明涉及深度学习技术领域，尤其涉及一种人像标志点检测模型的构建方法、装置及计算机存储介质。

背景技术

在实际生活中，随着计算机视觉计算、人工智能、机器学习等计算的疾速发展，人脸识别和面容分析等技术被广泛应用于安防监控、人证对比、人机交互、社交娱乐等各种场景。在人脸识别和面容分析过程中，需要通过模型检测人像面部参数，如标志点的位置。目前，人像标志点检测模型通常采用全连接层或全卷积网络来预测标志点坐标并输出检测结果。然而，实践发现，全连接层在预测时严重依赖于模型训练时所采用的训练数据的分布，导致预测结果极容易出现过拟合现象，进而导致模型的泛化能力较差，检测精度较低，且对人像照片的要求较高，比如只能检测人脸正面照片，无法检测人脸侧面照片；而全卷积网络的输出特征图比较小，导致检测信息较少，同样会导致模型的泛化能力较差，且检测精度较低。

可见，如何优化人像标志点检测模型的泛化能力，提高人像标志点检测精度显得尤为重要。

发明内容

本发明所要解决的技术问题在于，提供一种人像标志点检测模型的构建方法、装置及计算机存储介质，能够优化人像标志点检测模型的泛化能力，提高人像标志点检测精度。

为了解决上述技术问题，本发明第一方面公开了一种人像标志点检测模型的构建方法，所述方法包括：

将预先确定出的样本人脸图像输入待训练的检测模型中，以使所述检测模型对所述样本人脸图像中的标志点进行检测，得到检测热力图，所述检测热力图用于表征所述检测模型检测出的所述样本人脸图像的标志点；

根据所述检测热力图以及预先生成的参考热力图，判断所述检测模型是否满足收敛条件，所述参考热力图包括基于预先标注的所述样本人脸图像的实际标志点生成的热力图；

若所述检测模型满足所述收敛条件，将所述检测模型确定为人像标志点检测模型，所述人像标志点检测模型用于检测任意人脸图像中的标志点；

若所述检测模型不满足所述收敛条件，修正所述检测模型的模型参数，得到新的待训练的检测模型，并重新执行所述的将预先确定出的样本人脸图像输入待训练的检测模型中，以使所述检测模型对所述样本人脸图像中的标志点进行检测，得到检测热力图的操作以及执行所述的根据所述检测热力图以及预先生成的参考热力图，判断所述检测模型是否满足收敛条件的操作，直至得到满足所述收敛条件的人像标志点检测模型。

作为一种可选的实施方式，在本发明第一方面中，所述方法还包括：

对于预先标注的所述样本人脸图像的每个实际标志点，基于该实际标志点以及预设核函数，对所述样本人脸图像进行图像转换处理，得到该实际标志点对应的热力图，作为参考热力图；

其中，对于每个所述实际标志点，所述基于该实际标志点以及预设核函数，对所述样本人脸图像进行图像转换处理，得到该实际标志点对应的热力图，作为参考热力图，包括：

基于预设核函数，确定所述样本人脸图像中每个像素点相对于该实际标志点的空间关系，得到每个所述像素点相对于该实际标志点的空间关系表征值；

基于每个所述像素点相对于该实际标志点的空间关系表征值，生成该实际标志点对应的热力图，作为参考热力图。