CN111814573A - 一种人脸信息的检测方法、装置、终端设备及存储介质 - Google Patents
一种人脸信息的检测方法、装置、终端设备及存储介质 Download PDFInfo
- Publication number
- CN111814573A CN111814573A CN202010533334.0A CN202010533334A CN111814573A CN 111814573 A CN111814573 A CN 111814573A CN 202010533334 A CN202010533334 A CN 202010533334A CN 111814573 A CN111814573 A CN 111814573A
- Authority
- CN
- China
- Prior art keywords
- face
- information
- key point
- sample
- point information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 82
- 238000012549 training Methods 0.000 claims abstract description 53
- 230000004927 fusion Effects 0.000 claims abstract description 45
- 238000000034 method Methods 0.000 claims abstract description 40
- 230000006870 function Effects 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 18
- 238000013528 artificial neural network Methods 0.000 claims description 16
- 238000002372 labelling Methods 0.000 claims description 10
- 238000010586 diagram Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000001815 facial effect Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 210000004709 eyebrow Anatomy 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种人脸信息的检测方法、装置、终端设备及存储介质，包括：获取待检测的人脸图片；将所述待检测的人脸图片输入到预先建立的融合姿态检测模型中，获取人脸关键点信息和与所述人脸关键点信息对应的人脸姿态信息；其中，所述预先建立的融合姿态检测模型是通过对训练样本集中的样本人脸图片中的人脸关键点信息和人脸姿态信息进行训练获得的，通过在训练数据集中增加人脸姿态信息，使人脸关键点的检测更加准确，高效，并对不同的人脸姿态和环境具有更好的鲁棒性。
Description
技术领域
本发明涉及机器学习技术领域，尤其涉及一种人脸信息的检测方法、装置、终端设备及存储介质。
背景技术
目前流行的人脸关键点检测模型，都是采用预先标注好的人脸关键点信息直接进行训练，检测的结果只有关键点的坐标信息。而人脸的姿态以及关键点在遮挡，模糊和光照等环境都会对关键点检测造成一定的影响，并且在实际工程应用中，要求待检测的人脸都是正面照的情况比较难以达到。
发明内容
鉴于上述问题，提出了本发明实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种人脸信息的检测方法、装置、终端设备和存储介质。
第一个方面，本发明实施例提供一种人脸信息的检测方法，包括：
获取待检测的人脸图片；
将所述待检测的人脸图片输入到预先建立的融合姿态检测模型中，获取人脸关键点信息和与所述人脸关键点信息对应的人脸姿态信息；其中，所述预先建立的融合姿态检测模型是通过对训练样本集中的样本人脸图片中的人脸关键点信息和人脸姿态信息进行训练获得的。可选地，
所述预先建立的融合姿态检测模型通过如下方式获得：
获得所述训练样本集中的样本人脸图片；
获取所述样本人脸图片中的样本人脸关键点信息；
通过PRnet模型，对所述人脸关键点信息进行标注，获得样本人脸姿态信息；
将所述样本人脸图片输入到神经网络中，获得训练后的人脸关键点信息和人脸姿态信息；
将所述训练后的人脸关键点信息和人脸姿态信息分别与所述样本人脸关键点信息和所述样本人脸姿态信息进行比较，计算损失函数；
若所述损失函数小于预设值，则将所述神经网络确定为所述融合姿态检测模型。
可选地，所述样本人脸关键点信息是在WFLW数据集中，人为标记人脸关键点信息获得的。
可选地，所述人脸姿态信息包括围绕X轴旋转信息、围绕Y轴旋转信息以及围绕Z轴旋转信息中的至少一个。
可选地，所述神经网络为PFLD网络模块。
第二个方面，本发明实施例提供一种人脸信息的检测装置，包括：
获取模块，用于获取待检测的人脸图片；
检测模块，用于将所述待检测的人脸图片输入到预先建立的融合姿态检测模型中，获取人脸关键点信息和与所述人脸关键点信息对应的人脸姿态信息；其中，所述预先建立的融合姿态检测模型是通过对训练样本集中的样本人脸图片中的人脸关键点信息和人脸姿态信息进行训练获得的。
可选地，所述装置还包括训练模块，所述训练模块，用于：
获得所述训练样本集中的样本人脸图片；
获取所述样本人脸图片中的样本人脸关键点信息；
通过PRnet模型，对所述人脸关键点信息进行标注，获得样本人脸姿态信息；
将所述样本人脸图片输入到神经网络中，获得训练后的人脸关键点信息和人脸姿态信息；
将所述训练后的人脸关键点信息和人脸姿态信息分别与所述样本人脸关键点信息和所述样本人脸姿态信息进行比较，计算损失函数；
若所述损失函数小于预设值，则将所述神经网络确定为所述融合姿态检测模型。
可选地，所述样本人脸关键点信息是在WFLW数据集中，人为标记人脸关键点信息获得的。
可选地，所述人脸姿态信息包括围绕X轴旋转信息、围绕Y轴旋转信息以及围绕Z轴旋转信息中的至少一个。
可选地，所述神经网络为PFLD网络模块。
第三个方面，本发明实施例提供一种终端设备，包括：至少一个处理器和存储器；
所述存储器存储计算机程序；所述至少一个处理器执行所述存储器存储的计算机程序，以实现第一个方面提供的人脸信息的检测方法。
第四个方面，本发明实施例提供一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，所述计算机程序被执行时实现第一个方面提供的人脸信息的检测方法。
本发明实施例包括以下优点：
本发明实施例提供的人脸信息的检测方法、装置、终端设备及存储介质，包括：获取待检测的人脸图片；将所述待检测的人脸图片输入到预先建立的融合姿态检测模型中，获取人脸关键点信息和与所述人脸关键点信息对应的人脸姿态信息；其中，所述预先建立的融合姿态检测模型是通过对训练样本集中的样本人脸图片中的人脸关键点信息和人脸姿态信息进行训练获得的，通过在训练数据集中增加人脸姿态信息，使人脸关键点的检测更加准确，高效，并对不同的人脸姿态和环境具有更好的鲁棒性。
附图说明
图1是本发明的一种人脸信息的检测方法实施例的步骤流程图；
图2是本发明的又一种人脸信息的检测方法实施例的步骤流程图；
图3是本发明的检测结果的示意图；
图4是本发明的一种人脸信息的检测装置实施例的结构框图；
图5是本发明的一种终端设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参照图1，示出了本发明的一种人脸信息的检测方法实施例的步骤流程图，具体可以包括如下步骤：
S101、获取待检测的人脸图片；
具体地，待检测的人脸图片可以为呈现静态的图片或者照片等图像，也可以为呈现动态的视频中的视频帧等。该人脸图像中的人脸可以为正脸，也可以为存在一定偏转角度的非正脸。
S102、将所述待检测的人脸图片输入到预先建立的融合姿态检测模型中，获取人脸关键点信息和与所述人脸关键点信息对应的人脸姿态信息；其中，所述预先建立的融合姿态检测模型是通过对训练样本集中的样本人脸图片中的人脸关键点信息和人脸姿态信息进行训练获得的。
具体地，将待检测的人脸图片输入到预先建立的融合姿态检测模型中，获得人脸关键点信息和与人脸关键点信息对应的人脸姿态信息，其中，本发明实施例中的人脸关键点通常是指用于定位人脸或者人脸局部区域或者一个或多个人脸器官的多个点，人脸关键点通常包括但不限于人脸轮廓关键点、眼睛关键点、眉毛关键点、嘴部关键点、鼻子关键点、唇线关键点等。本发明实施例中的非正脸的偏转角度可以通过Pitch(即围绕x轴旋转而产生的偏转角)、Yaw(即围绕y轴旋转而产生的偏转角)以及Roll(即围绕z轴旋转而产生的偏转角)中的至少一个来表示。
本发明实施例提供的人脸信息的检测方法，包括：获取待检测的人脸图片；将所述待检测的人脸图片输入到预先建立的融合姿态检测模型中，获取人脸关键点信息和与所述人脸关键点信息对应的人脸姿态信息；其中，所述预先建立的融合姿态检测模型是通过对训练样本集中的样本人脸图片中的人脸关键点信息和人脸姿态信息进行训练获得的，通过在训练数据集中增加人脸姿态信息，使人脸关键点的检测更加准确，高效，并对不同的人脸姿态和环境具有更好的鲁棒性。
可选地，所述预先建立的融合姿态检测模型通过如下方式获得：
步骤100、获得所述训练样本集中的样本人脸图片；
步骤200、获取所述样本人脸图片中的样本人脸关键点信息；
步骤300、通过PRnet模型，对所述人脸关键点信息进行标注，获得样本人脸姿态信息；
步骤400、将所述样本人脸图片输入到神经网络中，获得训练后的人脸关键点信息和人脸姿态信息；
步骤500、将所述训练后的人脸关键点信息和人脸姿态信息分别与所述样本人脸关键点信息和所述样本人脸姿态信息进行比较，计算损失函数；
具体地，本发明实施例对人脸关键点信息和样本关键点信息进行比较，获得第一损失函数；对人脸姿态信息和样本姿态信息进行比较，计算第二损失函数，将第一损失函数与第二损失函数相加，获得总的损失函数。
步骤600、若所述损失函数小于预设值，则将所述神经网络确定为所述融合姿态检测模型。
图2为本发明的又一种人脸信息的检测方法实施例的步骤流程图，如图2所示，由于人脸姿态的不同，人脸的关键点坐标信息也是不同的，虽然增加人脸关键点的训练数据集样本，也能够使人脸检测模型达到一定检测精度，但是这些关键点的数据集具有发散性，没有对不同人脸姿态进行归类。
为了使不同人脸姿态的关键点在训练时，有一个更好的导向，本发明实施例提出的一种关键点检测模型及待训练的人脸姿态网络，增加了人脸姿态的预测，使得检测更加鲁棒。
1、训练数据集的制作
目前人脸关键点检测模型的训练，采用比较多的数据集是采用Wider FacialLandmarks in-the-wild(WFLW)人脸对齐数据集获取包含10,000张112*112大小，带有98个关键点和6个人脸属性标注的人脸图像数据，包括姿势，表情，照明，化妆，遮挡和模糊的变换。
由于WFLW数据集并没有包含人脸姿态的数据，因此需要先对98个关键点的信息进行姿态标注。人脸姿态标注采用的是PRnet模型，获取到三个姿态数据(yaw，pitch，roll)，然后将这三个姿态数据追加到每项WFLW数据后，因此修改后的每项WFLW图像数据包括98个关键点，6个人脸属性，3个姿态数据。
2、搭建包含姿态检测的人脸关键点检测模型
PFLD(A Practical Facial Landmark Detector)网络，可用于人脸关键点检测，其精度高、速度快、模型小。但是该模型并没有融入人脸姿态的检测，因此本发明实施例构建的新模型主要在PFLD模型中添加人脸姿态检测的分支。检测模型如下图2所示。
本模型中，输入的数据会先经过PFLD网络进行特征提取，一部分直接进入后续的关键点检测，另一部分传入到人脸姿态检测网络中进行人脸姿态的信息提取，并在最后与关键点信息进行融合来预测人脸姿态。可以看出人脸姿态的训练，对于人脸关键点的检测具有一定的调整作用。
3、模型的训练
整个模型有两个分支，一个是PFLD主分支(人脸关键点子网络)，进行人脸98个关键点的检测；另一个是人脸姿态检测分支(人脸姿态子网络)，主要是进行3个人脸姿态的检测。在训练时，每个分支都采用Wing-loss损失函数，最后将每个分支的wing-loss相加得到最后的损失函数。
4、模型的测试
随机从制作好的WFLW测试集中选取一批数据图片，输入到已经训练好的模型中，得到的检测结果如下图所示。其中关键点用黄色坐标点表示，人脸姿态用立方体表示。如图3所示。
本发明实施例提供的人脸信息的检测方法，通过获取待检测的人脸图片；将所述待检测的人脸图片输入到预先建立的融合姿态检测模型中，获取人脸关键点信息和与所述人脸关键点信息对应的人脸姿态信息；其中，所述预先建立的融合姿态检测模型是通过对训练样本集中的样本人脸图片中的人脸关键点信息和人脸姿态信息进行训练获得的，通过在训练数据集中增加人脸姿态信息，使人脸关键点的检测更加准确，高效，并对不同的人脸姿态和环境具有更好的鲁棒性。
本发明另一实施例提供一种人脸信息的检测装置，用于执行上述实施例提供的人脸信息的检测方法。
参照图4，示出了本发明的一种人脸信息的检测装置实施例的结构框图，具体可以包括如下模块：获取模块401和检测模块402，其中：
获取模块401用于获取待检测的人脸图片；
检测模块402用于将所述待检测的人脸图片输入到预先建立的融合姿态检测模型中，获取人脸关键点信息和与所述人脸关键点信息对应的人脸姿态信息；其中，所述预先建立的融合姿态检测模型是通过对训练样本集中的样本人脸图片中的人脸关键点信息和人脸姿态信息进行训练获得的。
本发明实施例提供的人脸信息的检测装置，通过获取待检测的人脸图片；将所述待检测的人脸图片输入到预先建立的融合姿态检测模型中，获取人脸关键点信息和与所述人脸关键点信息对应的人脸姿态信息；其中，所述预先建立的融合姿态检测模型是通过对训练样本集中的样本人脸图片中的人脸关键点信息和人脸姿态信息进行训练获得的，通过在训练数据集中增加人脸姿态信息，使人脸关键点的检测更加准确，高效，并对不同的人脸姿态和环境具有更好的鲁棒性。
本发明又一实施例对上述实施例提供的装置做进一步补充说明。
可选地，所述装置还包括训练模块，所述训练模块，用于：
获得所述训练样本集中的样本人脸图片；
获取所述样本人脸图片中的样本人脸关键点信息；
通过PRnet模型，对所述人脸关键点信息进行标注，获得样本人脸姿态信息；
将所述样本人脸图片输入到神经网络中，获得训练后的人脸关键点信息和人脸姿态信息；
将所述训练后的人脸关键点信息和人脸姿态信息分别与所述样本人脸关键点信息和所述样本人脸姿态信息进行比较，计算损失函数；
若所述损失函数小于预设值，则将所述神经网络确定为所述融合姿态检测模型。
可选地，所述样本人脸关键点信息是在WFLW数据集中，人为标记人脸关键点信息获得的。可选地，所述人脸姿态信息包括围绕X轴旋转信息、围绕Y轴旋转信息以及围绕Z轴旋转信息中的至少一个。
可选地，所述神经网络为PFLD网络模块。
需要说明的是，本实施例中各可实施的方式可以单独实施，也可以在不冲突的情况下以任意组合方式结合实施本发明不做限定。
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本发明实施例提供的人脸信息的检测装置，通过获取待检测的人脸图片；将所述待检测的人脸图片输入到预先建立的融合姿态检测模型中，获取人脸关键点信息和与所述人脸关键点信息对应的人脸姿态信息；其中，所述预先建立的融合姿态检测模型是通过对训练样本集中的样本人脸图片中的人脸关键点信息和人脸姿态信息进行训练获得的，通过在训练数据集中增加人脸姿态信息，使人脸关键点的检测更加准确，高效，并对不同的人脸姿态和环境具有更好的鲁棒性。
本发明再一实施例提供一种终端设备，用于执行上述实施例提供的人脸信息的检测方法。
图5是本发明的一种终端设备的结构示意图，如图5所示，该终端设备包括：至少一个处理器501和存储器502；
所述存储器存储计算机程序；所述至少一个处理器执行所述存储器存储的计算机程序，以实现上述实施例提供的人脸信息的检测方法。
本实施例提供的终端设备，通过获取待检测的人脸图片；将所述待检测的人脸图片输入到预先建立的融合姿态检测模型中，获取人脸关键点信息和与所述人脸关键点信息对应的人脸姿态信息；其中，所述预先建立的融合姿态检测模型是通过对训练样本集中的样本人脸图片中的人脸关键点信息和人脸姿态信息进行训练获得的，通过在训练数据集中增加人脸姿态信息，使人脸关键点的检测更加准确，高效，并对不同的人脸姿态和环境具有更好的鲁棒性。
本发明又一实施例提供一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，所述计算机程序被执行时实现上述任一实施例提供的人脸信息的检测方法。
根据本实施例的计算机可读存储介质，通过获取待检测的人脸图片；将所述待检测的人脸图片输入到预先建立的融合姿态检测模型中，获取人脸关键点信息和与所述人脸关键点信息对应的人脸姿态信息；其中，所述预先建立的融合姿态检测模型是通过对训练样本集中的样本人脸图片中的人脸关键点信息和人脸姿态信息进行训练获得的，通过在训练数据集中增加人脸姿态信息，使人脸关键点的检测更加准确，高效，并对不同的人脸姿态和环境具有更好的鲁棒性。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白，本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、电子设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理电子设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理电子设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理电子设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理电子设备上，使得在计算机或其他可编程电子设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程电子设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者电子设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者电子设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者电子设备中还存在另外的相同要素。
以上对本发明所提供的一种人脸信息的检测方法和一种人脸信息的检测装置，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种人脸信息的检测方法，其特征在于，所述方法包括：
获取待检测的人脸图片；
将所述待检测的人脸图片输入到预先建立的融合姿态检测模型中，获取人脸关键点信息和与所述人脸关键点信息对应的人脸姿态信息；其中，所述预先建立的融合姿态检测模型是通过对训练样本集中的样本人脸图片中的人脸关键点信息和人脸姿态信息进行训练获得的。
2.根据权利要求1所述的方法，其特征在于，所述预先建立的融合姿态检测模型通过如下方式获得：
获得所述训练样本集中的样本人脸图片；
获取所述样本人脸图片中的样本人脸关键点信息；
通过PRnet模型，对所述人脸关键点信息进行标注，获得样本人脸姿态信息；
将所述样本人脸图片输入到神经网络中，获得训练后的人脸关键点信息和人脸姿态信息；
将所述训练后的人脸关键点信息和人脸姿态信息分别与所述样本人脸关键点信息和所述样本人脸姿态信息进行比较，计算损失函数；
若所述损失函数小于预设值，则将所述神经网络确定为所述融合姿态检测模型。
3.根据权利要求2所述的方法，其特征在于，所述样本人脸关键点信息是在WFLW数据集中，人为标记人脸关键点信息获得的。
4.根据权利要求1所述的方法，其特征在于，所述人脸姿态信息包括围绕X轴旋转信息、围绕Y轴旋转信息以及围绕Z轴旋转信息中的至少一个。
5.根据权利要求2所述的方法，其特征在于，所述神经网络为PFLD网络模块。
6.一种人脸信息的检测装置，其特征在于，所述装置包括：
获取模块，用于获取待检测的人脸图片；
检测模块，用于将所述待检测的人脸图片输入到预先建立的融合姿态检测模型中，获取人脸关键点信息和与所述人脸关键点信息对应的人脸姿态信息；其中，所述预先建立的融合姿态检测模型是通过对训练样本集中的样本人脸图片中的人脸关键点信息和人脸姿态信息进行训练获得的。
7.根据权利要求6所述的装置，其特征在于，所述装置还包括训练模块，所述训练模块，用于：
获得所述训练样本集中的样本人脸图片；
获取所述样本人脸图片中的样本人脸关键点信息；
通过PRnet模型，对所述人脸关键点信息进行标注，获得样本人脸姿态信息；
将所述样本人脸图片输入到神经网络中，获得训练后的人脸关键点信息和人脸姿态信息；
将所述训练后的人脸关键点信息和人脸姿态信息分别与所述样本人脸关键点信息和所述样本人脸姿态信息进行比较，计算损失函数；
若所述损失函数小于预设值，则将所述神经网络确定为所述融合姿态检测模型。
8.根据权利要求7所述的装置，其特征在于，所述样本人脸关键点信息是在WFLW数据集中，人为标记人脸关键点信息获得的。
9.一种终端设备，其特征在于，包括：至少一个处理器和存储器；
所述存储器存储计算机程序；所述至少一个处理器执行所述存储器存储的计算机程序，以实现权利要求1-5中任一项所述的人脸信息的检测方法。
10.一种计算机可读存储介质，其特征在于，该计算机可读存储介质中存储有计算机程序，所述计算机程序被执行时实现权利要求1-5中任一项所述的人脸信息的检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010533334.0A CN111814573A (zh) | 2020-06-12 | 2020-06-12 | 一种人脸信息的检测方法、装置、终端设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010533334.0A CN111814573A (zh) | 2020-06-12 | 2020-06-12 | 一种人脸信息的检测方法、装置、终端设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111814573A true CN111814573A (zh) | 2020-10-23 |
Family
ID=72844972
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010533334.0A Pending CN111814573A (zh) | 2020-06-12 | 2020-06-12 | 一种人脸信息的检测方法、装置、终端设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111814573A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112257645A (zh) * | 2020-11-02 | 2021-01-22 | 浙江大华技术股份有限公司 | 人脸的关键点定位方法和装置、存储介质及电子装置 |
| CN113255561A (zh) * | 2021-06-10 | 2021-08-13 | 平安科技（深圳）有限公司 | 头发信息识别方法、装置、设备及存储介质 |
| CN113313010A (zh) * | 2021-05-26 | 2021-08-27 | 广州织点智能科技有限公司 | 一种人脸关键点检测模型训练方法、装置和设备 |
| CN113537021A (zh) * | 2021-07-08 | 2021-10-22 | 壹茹(上海)传媒科技有限公司 | 一种基于普通视频流的3d人脸模型表情自动生成方法 |
| CN114399803A (zh) * | 2021-11-30 | 2022-04-26 | 际络科技(上海)有限公司 | 人脸关键点检测方法及装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20140024206A (ko) * | 2012-08-15 | 2014-02-28 | 삼성전자주식회사 | 입술 검출 및 추적을 위한 방법 및 장치 |
| CN104992148A (zh) * | 2015-06-18 | 2015-10-21 | 江南大学 | 基于随机森林的atm终端部分遮挡人脸关键点检测方法 |
| CN108985257A (zh) * | 2018-08-03 | 2018-12-11 | 北京字节跳动网络技术有限公司 | 用于生成信息的方法和装置 |
| CN109558864A (zh) * | 2019-01-16 | 2019-04-02 | 苏州科达科技股份有限公司 | 人脸关键点检测方法、装置及存储介质 |
| CN109960986A (zh) * | 2017-12-25 | 2019-07-02 | 北京市商汤科技开发有限公司 | 人脸姿态分析方法、装置、设备、存储介质以及程序 |
-
2020
- 2020-06-12 CN CN202010533334.0A patent/CN111814573A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20140024206A (ko) * | 2012-08-15 | 2014-02-28 | 삼성전자주식회사 | 입술 검출 및 추적을 위한 방법 및 장치 |
| CN104992148A (zh) * | 2015-06-18 | 2015-10-21 | 江南大学 | 基于随机森林的atm终端部分遮挡人脸关键点检测方法 |
| CN109960986A (zh) * | 2017-12-25 | 2019-07-02 | 北京市商汤科技开发有限公司 | 人脸姿态分析方法、装置、设备、存储介质以及程序 |
| CN108985257A (zh) * | 2018-08-03 | 2018-12-11 | 北京字节跳动网络技术有限公司 | 用于生成信息的方法和装置 |
| CN109558864A (zh) * | 2019-01-16 | 2019-04-02 | 苏州科达科技股份有限公司 | 人脸关键点检测方法、装置及存储介质 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112257645A (zh) * | 2020-11-02 | 2021-01-22 | 浙江大华技术股份有限公司 | 人脸的关键点定位方法和装置、存储介质及电子装置 |
| CN112257645B (zh) * | 2020-11-02 | 2023-09-01 | 浙江大华技术股份有限公司 | 人脸的关键点定位方法和装置、存储介质及电子装置 |
| CN113313010A (zh) * | 2021-05-26 | 2021-08-27 | 广州织点智能科技有限公司 | 一种人脸关键点检测模型训练方法、装置和设备 |
| CN113255561A (zh) * | 2021-06-10 | 2021-08-13 | 平安科技（深圳）有限公司 | 头发信息识别方法、装置、设备及存储介质 |
| WO2022257456A1 (zh) * | 2021-06-10 | 2022-12-15 | 平安科技（深圳）有限公司 | 头发信息识别方法、装置、设备及存储介质 |
| CN113537021A (zh) * | 2021-07-08 | 2021-10-22 | 壹茹(上海)传媒科技有限公司 | 一种基于普通视频流的3d人脸模型表情自动生成方法 |
| CN114399803A (zh) * | 2021-11-30 | 2022-04-26 | 际络科技(上海)有限公司 | 人脸关键点检测方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111814573A (zh) | 一种人脸信息的检测方法、装置、终端设备及存储介质 | |
| CN110610453B (zh) | 一种图像处理方法、装置及计算机可读存储介质 | |
| CN111241989B (zh) | 图像识别方法及装置、电子设备 | |
| Vazquez et al. | Virtual and real world adaptation for pedestrian detection | |
| CN112967212A (zh) | 一种虚拟人物的合成方法、装置、设备及存储介质 | |
| JP4396430B2 (ja) | 視線誘導情報生成システムおよび視線誘導情報生成プログラム、並びに視線誘導情報生成方法 | |
| CN105956059A (zh) | 基于情绪识别的信息推荐方法和装置 | |
| CN111563502A (zh) | 图像的文本识别方法、装置、电子设备及计算机存储介质 | |
| CN112633084B (zh) | 人脸框确定方法、装置、终端设备及存储介质 | |
| CN110852257B (zh) | 一种人脸关键点的检测方法、装置及存储介质 | |
| CN106803084B (zh) | 一种基于端到端循环网络的面部特征点定位方法 | |
| CN111144215A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
| CN113870395A (zh) | 动画视频生成方法、装置、设备及存储介质 | |
| US20230237777A1 (en) | Information processing apparatus, learning apparatus, image recognition apparatus, information processing method, learning method, image recognition method, and non-transitory-computer-readable storage medium | |
| CN113689436A (zh) | 图像语义分割方法、装置、设备及存储介质 | |
| Dave et al. | Simulation of analytical chemistry experiments on augmented reality platform | |
| CN113870254A (zh) | 目标对象的检测方法、装置、电子设备及存储介质 | |
| CN109785439B (zh) | 人脸素描图像生成方法及相关产品 | |
| CN108447092B (zh) | 视觉定位标识物的方法及装置 | |
| CN110910478B (zh) | Gif图生成方法、装置、电子设备及存储介质 | |
| CN113591433A (zh) | 一种文本排版方法、装置、存储介质及计算机设备 | |
| CN113378852A (zh) | 关键点检测方法、装置、电子设备及存储介质 | |
| CN110309859A (zh) | 一种图像真伪检测方法、装置及电子设备 | |
| Zeng et al. | Text Image with Complex Background Filtering Method Based on Harris Corner-point Detection. | |
| CN113609966A (zh) | 一种人脸识别***的训练样本的生成方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |