一种人脸关键点识别检测的方法和系统技术方案

本发明专利技术提出一种人脸关键点识别检测的方法和系统，基于深度学习网络的精简设计，对于检测网络，将SSD网络中的Conv操作改成Depthwise Conv，另外将模型通道数减少为原来的的50%，降低模型参数量和提升推断速度。降低模型参数量和提升推断速度。降低模型参数量和提升推断速度。

【技术实现步骤摘要】
一种人脸关键点识别检测的方法和系统


[0001]本专利技术涉及人脸图像技术识别检测领域，尤其涉及一种人脸关键点识别检测的方法和系统。

技术介绍

[0002]人脸关键点检测是指从给定的人脸图像中检测诸如眼球中心、眼角、鼻尖、嘴角、人脸轮廓等部位的关键点，在现有的技术中，诸如MTCNN等二维人脸图像的人脸关键点检测，都是成熟的技术和算法。耗时较长，终端应用场景下，精度不高，识别使用会带来诸多不变。

技术实现思路

[0003]为了解决上述问题，本专利技术提供一种人脸关键点识别检测的方法和系统，以实现上述缺陷，所述方法包括：步骤S1：构建人脸图片集训练人脸检测SSD网络和MobileNet-V3回归网络，修改输出模型为tflite格式。
[0004]步骤S2：输入含人脸图片，调节图片尺寸和转换格式为RGB格式，并把RGB数据归一化到[-1,1]，其中，图片尺寸缩放到160
×
160。
[0005]步骤S3：加载所述tflite格式的两个模型，并初始化。
[0006]步骤S4：将所述归一化后的图片数据组输入至人脸检测SSD网络，检测图片各个人脸的方框位置。
[0007]步骤S5：按照所述各个人脸方框位置截取人脸，获取各个人脸区域图片。
[0008]步骤S6：将所述各个人脸区域图片输入精简版MobileNet-V3回归网络，识别检测获取对应的人脸关键点。
[0009]本专利技术提供一种人脸关键点识别检测的系统，所述系统包括：识别网络模块：构建人脸图片集训练人脸检测SSD网络和MobileNet-V3回归网络，修改输出模型为tflite格式。
[0010]调节模块：输入含人脸图片，调节图片尺寸和转换格式为RGB格式，并把RGB数据归一化到[-1,1]，其中，图片尺寸缩放到160
×
160。
[0011]初始化模块：加载所述tflite格式的两个模型，并初始化。
[0012]检测模块：将所述归一化后的图片数据组输入至人脸检测SSD网络，检测图片各个人脸的方框位置。
[0013]截取模块：按照所述各个人脸方框位置截取人脸，获取各个人脸区域图片。
[0014]获取模块：将所述各个人脸区域图片输入精简版MobileNet-V3回归网络，识别检测获取对应的人脸关键点。
[0015]本专利技术提出一种人脸关键点识别检测的方法和系统，基于深度学习网络的精简设计，对于检测网络，将SSD网络中的Conv操作改成Depthwise Conv，另外将模型通道数减少
为原来的的50%，降低模型参数量和提升推断速度。为尽量降低精度的损失，采用知识蒸馏的方法改进训练过程。对于关键点回归网络，同样为了降低参数量和计算量，从MobileNet-V3模型的中段导出特征图，并采用Average Pooling压缩特征图的大小，紧跟着1x1 Conv降低通道数，输入全连接网络，计算关键点的位置，在应用场景下（主要是在手机端），通过两个精简版模型的结合，能在损失约30%精度的代价下，将速度提升80%。
附图说明
[0016]图1示出了本专利技术的一种人脸关键点识别检测的方法流程图。
[0017]图2示出了本专利技术的一种人脸关键点识别检测的系统流程图。
具体实施方式
[0018]参照图1，本专利技术提供一种人脸关键点识别检测的方法，所述方法包括：步骤S1：构建人脸图片集训练人脸检测SSD网络和MobileNet-V3回归网络，修改输出模型为tflite格式。
[0019]步骤S2：输入含人脸图片，调节图片尺寸和转换格式为RGB格式，并把RGB数据归一化到[-1,1]，其中，图片尺寸缩放到160
×
160。
[0020]步骤S3：加载所述tflite格式的两个模型，并初始化。
[0021]步骤S4：将所述归一化后的图片数据组输入至人脸检测SSD网络，检测图片各个人脸的方框位置。
[0022]步骤S5：按照所述各个人脸方框位置截取人脸，获取各个人脸区域图片。
[0023]步骤S6：将所述各个人脸区域图片输入精简版MobileNet-V3回归网络，识别检测获取对应的人脸关键点。
[0024]本专利技术提供一种人脸关键点识别检测的系统，所述系统包括：识别网络模块：构建人脸图片集训练人脸检测SSD网络和MobileNet-V3回归网络，修改输出模型为tflite格式。
[0025]调节模块：输入含人脸图片，调节图片尺寸和转换格式为RGB格式，并把RGB数据归一化到[-1,1]，其中，图片尺寸缩放到160
×
160。
[0026]初始化模块：加载所述tflite格式的两个模型，并初始化。
[0027]检测模块：将所述归一化后的图片数据组输入至人脸检测SSD网络，检测图片各个人脸的方框位置。
[0028]截取模块：按照所述各个人脸方框位置截取人脸，获取各个人脸区域图片。
[0029]获取模块：将所述各个人脸区域图片输入精简版MobileNet-V3回归网络，识别检测获取对应的人脸关键点。
[0030]本专利技术所述的一种基于深度学习网络的精简设计，通过将Conv替换Depthwise Conv和降低通道数，并且采用知识蒸馏机制进行训练，在较少精度损失的代价下大大提高了计算速度。
[0031]另外，从MobileNet-V3模型的中段导出特征图，结合Average Pooling和1x1 Conv，在关键点的回归过程也能提升速度，在手机客户端的场景下，压缩参数量，降低内存消耗，提升计算速度。
[0032]以上仅为本专利技术的优选实施例而已，并不限于本专利技术，对于本领域的技术人员来说，本专利技术可以有各种更改和变化。
[0033]本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种人脸关键点识别检测的方法，所述方法包括：步骤S1：构建人脸图片集训练人脸检测SSD网络和MobileNet-V3回归网络，修改输出模型为tflite格式；步骤S2：输入含人脸图片，调节图片尺寸和转换格式为RGB格式，并把RGB数据归一化到[-1,1]，其中，图片尺寸缩放到160
×
160；步骤S3：加载所述tflite格式的两个模型，并初始化；步骤S4：将所述归一化后的图片数据组输入至人脸检测SSD网络，检测图片各个人脸的方框位置；步骤S5：按照所述各个人脸方框位置截取人脸，获取各个人脸区域图片；步骤S6：将所述各个人脸区域图片输入精简版MobileNet-V3回归网络，识别检测获取对应的人脸关键点。2.一种人...

【专利技术属性】
技术研发人员：邓裕强，朱志，廖吉平，
申请(专利权)人：广州久邦世纪科技有限公司，
类型：发明
国别省市：