CN107463903B - 人脸关键点定位方法及装置 - Google Patents

Abstract

本公开是关于一种人脸关键点定位方法及装置，属于图像处理技术领域。所述方法包括：采用特征提取模型提取目标人脸图像的人脸区域的第一特征；根据所述第一特征从预设的姿态集中获取所述目标人脸图像所属的第一姿态，所述姿态集包括m个姿态，m＞1；采用所述第一姿态对应的定位模型对第二特征进行处理，得到所述目标人脸图像的人脸区域中的人脸关键点的目标位置，所述第二特征是从所述目标人脸图像的人脸区域中提取的，所述第二特征包括所述第一特征。本公开解决了相关技术对多姿态的人脸图像进行处理时，定位准确度较低的问题，提高了定位准确度。本公开用于人脸关键点定位。

Description

人脸关键点定位方法及装置

技术领域

本公开涉及图像处理技术领域，特别涉及一种人脸关键点定位方法及装置。

背景技术

人脸关键点是指人脸中具有特质特征的部位，比如眼睛、鼻子、嘴巴和脸部轮廓等。人脸关键点定位是指从人脸图像中定位人脸关键点。人脸关键点定位在人脸识别领域有着重要的作用，例如人脸识别、跟踪和表情分析等都依赖于人脸关键点定位的结果。

相关技术中，人脸关键点定位的过程为：将目标人脸图像作为卷积神经网络(Convolutional Neural Network，CNN)的输入，采用卷积神经网络对目标人脸图像进行特征提取，然后将提取的特征作为线性回归模型的输入，进而得到目标人脸图像中的人脸关键点的位置。

在实现本公开的过程中，发明人发现相关技术至少存在以下问题：

采用上述方法能够对一种姿态的人脸图像进行处理，然而实际应用中，人脸的姿态变化较大，当采用上述方法对多姿态的人脸图像进行处理时，定位准确度较低。

发明内容

为了解决相关技术对多姿态的人脸图像进行处理时，定位准确度较低的问题，本公开提供了一种人脸关键点定位方法及装置。所述技术方案如下：

根据本公开的第一方面，提供一种人脸关键点定位方法，该方法包括：

采用特征提取模型提取目标人脸图像的人脸区域的第一特征；

根据第一特征从预设的姿态集中获取目标人脸图像所属的第一姿态，该姿态集包括m个姿态，m＞1；

采用第一姿态对应的定位模型对第二特征进行处理，得到目标人脸图像的人脸区域中的人脸关键点的目标位置，第二特征是从目标人脸图像的人脸区域中提取的，第二特征包括第一特征。

可选的，该方法还包括：

采用包括n个人脸图像的训练样本集对卷积神经网络进行训练，得到特征提取模型，特征提取模型包括卷积层和全连接层，n≥m；

采用特征提取模型的全连接层提取每个人脸图像的人脸区域的全连接层特征，得到n个全连接层特征，每个所述姿态与至少一个全连接层特征对应；

基于姿态对n个全连接层特征进行聚类，得到m个姿态；

针对m个姿态中的每个姿态，采用对应的第三特征对线性回归模型进行训练，得到m个定位模型，第三特征是从人脸图像的人脸区域中提取的，第三特征包括全连接层特征。

可选的，第三特征还包括第一卷积层特征，该方法还包括：

采用特征提取模型的卷积层提取每个人脸图像的人脸区域的第一卷积层特征，得到n个第一卷积层特征。

可选的，第二特征还包括第二卷积层特征，

采用特征提取模型提取目标人脸图像的人脸区域的第一特征，包括：

采用特征提取模型的全连接层提取目标人脸图像的人脸区域的第一特征；

该方法还包括：

采用特征提取模型的卷积层提取目标人脸图像的人脸区域的第二卷积层特征。

可选的，目标人脸图像包括第一目标子人脸图像和第二目标子人脸图像，第二目标子人脸图像是对第一目标子人脸图像进行水平镜像处理后得到的，

采用特征提取模型提取目标人脸图像的人脸区域的第一特征，包括：

采用特征提取模型提取第一目标子人脸图像的人脸区域的第一子特征，并提取第二目标子人脸图像的人脸区域的第二子特征；

根据第一特征从预设的姿态集中获取目标人脸图像所属的第一姿态，包括：

根据第一子特征从姿态集中获取第一目标子人脸图像所属的第一子姿态，并根据第二子特征从姿态集中获取第二目标子人脸图像所属的第二子姿态；

采用第一姿态对应的定位模型对第二特征进行处理，得到目标人脸图像的人脸区域中的人脸关键点的目标位置，包括：

采用第一子姿态对应的第一子定位模型对第三子特征进行处理，得到第一目标子人脸图像的人脸区域中的人脸关键点的第一子位置，第三子特征是从第一目标子人脸图像的人脸区域中提取的，第三子特征包括第一子特征；

采用第二子姿态对应的第二子定位模型对第四子特征进行处理，得到第二目标子人脸图像的人脸区域中的人脸关键点的第二子位置，第四子特征是从第二目标子人脸图像的人脸区域中提取的，第四子特征包括第二子特征；

将第一子位置和第二子位置的平均值作为目标位置。

可选的，采用包括n个人脸图像的训练样本集对卷积神经网络进行训练，得到特征提取模型，包括：

按照随机梯度下降算法，采用包括n个人脸图像的训练样本集对卷积神经网络进行训练，得到特征提取模型。

根据本公开的第二方面，提供一种人脸关键点定位装置，该装置包括：

第一提取模块，被配置为采用特征提取模型提取目标人脸图像的人脸区域的第一特征；

获取模块，被配置为根据第一特征从预设的姿态集中获取目标人脸图像所属的第一姿态，姿态集包括m个姿态，m＞1；

处理模块，被配置为采用第一姿态对应的定位模型对第二特征进行处理，得到目标人脸图像的人脸区域中的人脸关键点的目标位置，第二特征是从目标人脸图像的人脸区域中提取的，第二特征包括第一特征。

可选的，该装置还包括：

第一训练模块，被配置为采用包括n个人脸图像的训练样本集对卷积神经网络进行训练，得到特征提取模型，特征提取模型包括卷积层和全连接层，n≥m；

第二提取模块，被配置为采用特征提取模型的全连接层提取每个人脸图像的人脸区域的全连接层特征，得到n个全连接层特征；

聚类模块，被配置为基于姿态对n个全连接层特征进行聚类，得到m个姿态，每个所述姿态与至少一个全连接层特征对应；

第二训练模块，被配置为针对m个姿态中的每个姿态，采用对应的第三特征对线性回归模型进行训练，得到m个定位模型，第三特征是从人脸图像的人脸区域中提取的，第三特征包括全连接层特征。

可选的，第三特征还包括第一卷积层特征，该装置还包括：

第三提取模块，被配置为采用特征提取模型的卷积层提取每个人脸图像的人脸区域的第一卷积层特征，得到n个第一卷积层特征。

可选的，第二特征还包括第二卷积层特征，

第一提取模块，被配置为：

采用特征提取模型的全连接层提取目标人脸图像的人脸区域的第一特征；

该装置还包括：

第四提取模块，被配置为采用特征提取模型的卷积层提取目标人脸图像的人脸区域的第二卷积层特征。

可选的，目标人脸图像包括第一目标子人脸图像和第二目标子人脸图像，第二目标子人脸图像是对第一目标子人脸图像进行水平镜像处理后得到的，

第一提取模块，被配置为：

采用特征提取模型提取第一目标子人脸图像的人脸区域的第一子特征，并提取第二目标子人脸图像的人脸区域的第二子特征；

获取模块，被配置为：

根据第一子特征从姿态集中获取第一目标子人脸图像所属的第一子姿态，并根据第二子特征从姿态集中获取第二目标子人脸图像所属的第二子姿态；

处理模块，被配置为：

采用第一子姿态对应的第一子定位模型对第三子特征进行处理，得到第一目标子人脸图像的人脸区域中的人脸关键点的第一子位置，第三子特征是从第一目标子人脸图像的人脸区域中提取的，第三子特征包括第一子特征；

采用第二子姿态对应的第二子定位模型对第四子特征进行处理，得到第二目标子人脸图像的人脸区域中的人脸关键点的第二子位置，第四子特征是从第二目标子人脸图像的人脸区域中提取的，第四子特征包括第二子特征；

将第一子位置和第二子位置的平均值作为目标位置。

可选的，第一训练模块，被配置为：

按照随机梯度下降算法，采用包括n个人脸图像的训练样本集对卷积神经网络进行训练，得到特征提取模型。

根据本公开的第三方面，提供一种人脸关键点定位装置，该装置包括：

处理器；

用于存储处理器的可执行指令的存储器；

其中，处理器被配置为：

采用特征提取模型提取目标人脸图像的人脸区域的第一特征；

根据第一特征从预设的姿态集中获取目标人脸图像所属的第一姿态，姿态集包括m个姿态，m＞1；

采用第一姿态对应的定位模型对第二特征进行处理，得到目标人脸图像的人脸区域中的人脸关键点的目标位置，第二特征是从目标人脸图像的人脸区域中提取的，第二特征包括第一特征。

本公开的实施例提供的技术方案可以包括以下有益效果：

终端能够采用特征提取模型提取目标人脸图像的人脸区域的第一特征，再根据第一特征从预设的姿态集中获取目标人脸图像所属的第一姿态。之后，终端采用第一姿态对应的定位模型对第二特征进行处理，得到目标人脸图像的人脸区域中的人脸关键点的目标位置。其中，第二特征是从目标人脸图像的人脸区域中提取的，该第二特征包括第一特征，解决了相关技术中对多姿态的人脸图像进行处理时定位准确度较低的问题，达到了提高定位准确度的效果。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本公开。

附图说明

为了更清楚地说明本公开的实施例，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本公开部分实施例提供的人脸关键点定位方法所涉及的实施环境示意图；

图2是根据一示例性实施例示出的一种人脸关键点定位方法的流程图；

图3是根据一示例性实施例示出的另一种人脸关键点定位方法的流程图；

图4是根据一示例性实施例示出的又一种人脸关键点定位方法的流程图

图5-1是根据一示例性实施例示出的一种人脸关键点定位装置的框图；

图5-2是根据一示例性实施例示出的另一种人脸关键点定位装置的框图；

图6是根据一示例性实施例示出的一种用于人脸关键点定位的装置的框图。

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。

具体实施方式

为了使本公开的目的、技术方案和优点更加清楚，下面将结合附图对本公开作进一步地详细描述，显然，所描述的实施例仅仅是本公开一部份实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本公开保护的范围。

图1是本公开部分实施例提供的人脸关键点定位方法所涉及的实施环境示意图。该实施环境可以包括：终端01和用户02。终端01为具有拍照功能的电子设备。示例的，终端01可以为智能手机、笔记本、平板电脑、计算机等。比如，用户02可以将智能手机的摄像头对准用户面部，再点击智能手机触摸屏中的拍照按钮来完成自拍。

图2是根据一示例性实施例示出的一种人脸关键点定位方法的流程图，本实施例以该人脸关键点定位方法应用于图1所示实施环境中的终端01来举例说明。该人脸关键点定位方法可以包括如下几个步骤：

在步骤201中，采用特征提取模型提取目标人脸图像的人脸区域的第一特征。

在步骤202中，根据第一特征从预设的姿态集中获取目标人脸图像所属的第一姿态，该姿态集包括m个姿态，m＞1。

在步骤203中，采用第一姿态对应的定位模型对第二特征进行处理，得到目标人脸图像的人脸区域中的人脸关键点的目标位置，该第二特征是从目标人脸图像的人脸区域中提取的，该第二特征包括第一特征。

综上所述，本公开实施例提供的人脸关键点定位方法，终端先采用特征提取模型提取目标人脸图像的人脸区域的第一特征，再根据第一特征从预设的姿态集中获取目标人脸图像所属的第一姿态。之后，终端采用第一姿态对应的定位模型对第二特征进行处理，得到目标人脸图像的人脸区域中的人脸关键点的目标位置。其中，第二特征是从目标人脸图像的人脸区域中提取的，该第二特征包括第一特征，解决了相关技术中对多姿态的人脸图像进行处理时定位准确度较低的问题，达到了提高定位准确度的效果。

可选的，该方法还可以包括：采用包括n个人脸图像的训练样本集对卷积神经网络进行训练，得到特征提取模型，该特征提取模型包括卷积层和全连接层，n≥m；采用该特征提取模型的全连接层提取每个人脸图像的人脸区域的全连接层特征，得到n个全连接层特征；基于姿态对n个全连接层特征进行聚类，得到m个姿态，每个姿态与至少一个全连接层特征对应；针对m个姿态中的每个姿态，采用对应的第三特征对线性回归模型进行训练，得到m个定位模型，该第三特征是从人脸图像的人脸区域中提取的，该第三特征包括全连接层特征。

可选的，第三特征还包括第一卷积层特征，该方法还可以包括：采用特征提取模型的卷积层提取每个人脸图像的人脸区域的第一卷积层特征，得到n个第一卷积层特征。

可选的，第二特征还包括第二卷积层特征，采用特征提取模型提取目标人脸图像的人脸区域的第一特征，包括：采用特征提取模型的全连接层提取目标人脸图像的人脸区域的第一特征。该方法还可以包括：采用特征提取模型的卷积层提取目标人脸图像的人脸区域的第二卷积层特征。

可选的，目标人脸图像包括第一目标子人脸图像和第二目标子人脸图像，第二目标子人脸图像是对第一目标子人脸图像进行水平镜像处理后得到的，采用特征提取模型提取目标人脸图像的人脸区域的第一特征，包括：采用特征提取模型提取第一目标子人脸图像的人脸区域的第一子特征，并提取第二目标子人脸图像的人脸区域的第二子特征。根据第一特征从预设的姿态集中获取目标人脸图像所属的第一姿态，包括：根据第一子特征从姿态集中获取第一目标子人脸图像所属的第一子姿态，并根据第二子特征从姿态集中获取第二目标子人脸图像所属的第二子姿态。采用第一姿态对应的定位模型对第二特征进行处理，得到目标人脸图像的人脸区域中的人脸关键点的目标位置，包括：采用第一子姿态对应的第一子定位模型对第三子特征进行处理，得到第一目标子人脸图像的人脸区域中的人脸关键点的第一子位置，第三子特征是从第一目标子人脸图像的人脸区域中提取的，第三子特征包括第一子特征；采用第二子姿态对应的第二子定位模型对第四子特征进行处理，得到第二目标子人脸图像的人脸区域中的人脸关键点的第二子位置，第四子特征是从第二目标子人脸图像的人脸区域中提取的，第四子特征包括第二子特征；将第一子位置和第二子位置的平均值作为目标位置。

可选的，采用包括n个人脸图像的训练样本集对卷积神经网络进行训练，得到特征提取模型，包括：

按照随机梯度下降算法，采用包括n个人脸图像的训练样本集对卷积神经网络进行训练，得到特征提取模型。

综上所述，本公开实施例提供的人脸关键点定位方法，终端先采用特征提取模型提取目标人脸图像的人脸区域的第一特征，再根据第一特征从预设的姿态集中获取目标人脸图像所属的第一姿态。之后，终端采用第一姿态对应的定位模型对第二特征进行处理，得到目标人脸图像的人脸区域中的人脸关键点的目标位置。其中，第二特征是从目标人脸图像的人脸区域中提取的，该第二特征包括第一特征，解决了相关技术中对多姿态的人脸图像进行处理时定位准确度较低的问题，达到了提高定位准确度的效果。

图3是根据一示例性实施例示出的一种人脸关键点定位方法的流程图，本实施例以该人脸关键点定位方法应用于图1所示实施环境中的终端01来举例说明。该人脸关键点定位方法可以包括如下几个步骤：

在步骤301中，采用包括n个人脸图像的训练样本集对卷积神经网络进行训练，得到特征提取模型，该特征提取模型包括卷积层和全连接层。

示例的，n等于3200。终端可以采用包括3200个人脸图像的训练样本集对CNN(卷积神经网络)进行训练，得到特征提取模型。示例的，人脸图像的横向像素个数是40，纵向像素个数是40。

CNN是众多科学领域的研究热点之一，特别是在模式分类领域，由于CNN避免了对图像的复杂前期预处理，可以直接输入原始图像，因而得到了广泛的应用。CNN对应的公式中包含较多参数，这些参数都是未知的。在本步骤中，训练CNN的过程其实就是确定CNN对应的公式中的参数的过程。在本公开实施例中，将训练后的CNN记作特征提取模型。在对CNN进行训练时，终端将3200个人脸图像输入至CNN，确定一组参数值，在该组参数值的作用下，CNN的输出与CNN的输入的差别最小。确定了CNN对应公式的参数，即可得到特征提取模型。关于训练CNN，确定CNN对应的公式中的参数的过程可以参考相关技术，在此不再赘述。示例的，可以按照随机梯度下降算法，采用包括n个人脸图像的训练样本集对卷积神经网络进行训练，得到特征提取模型。随机梯度下降算法用于使CNN的输出与CNN的输入的差别最小，关于随机梯度下降算法的原理可以参考相关技术。

训练得到的特征提取模型包括卷积层和全连接层。其中，卷积层有4个，分别是：C1、C2、C3和C4。全连接层有2个，分别是：F1和F2。4个卷积层和2个全连接层按照对人脸特征的抽象程度从低到高的顺序排列是：C1、C2、C3、C4、F1和F2，按照对位置的敏感度从高到低的顺序排列是：C1、C2、C3、C4、F1和F2。也即是，F2对人脸特征的抽象程度最高，对位置的敏感度最低。其中，卷积层或全连接层对位置的敏感度越高，确定人脸的姿态的能力越强。关于卷积层和全连接层的说明可以参考相关技术。

在步骤302中，采用特征提取模型的全连接层提取每个人脸图像的人脸区域的全连接层特征，得到n个全连接层特征。

终端采用步骤301中的特征提取模型的全连接层提取每个人脸图像的人脸区域的全连接层特征，得到n个全连接层特征。

示例的，终端采用包括3200个人脸图像的训练样本集对CNN进行训练，得到特征提取模型。之后，终端采用该特征提取模型的全连接层提取每个人脸图像的人脸区域的全连接层特征，得到3200个全连接层特征。由于特征提取模型的F1层对人脸特征的抽象程度较高，且相较于F2层，其对位置的敏感度更高，确定人脸的姿态的能力更强，所以终端采用特征提取模型的F1层提取每个人脸图像的人脸区域的F1层的特征，以便于对3200个F1层的特征进行聚类，得到多个姿态。

在步骤303中，基于姿态对n个全连接层特征进行聚类，得到m个姿态，n≥m＞1。

每个姿态与至少一个全连接层特征对应。示例的，终端采用特征提取模型的F1层提取3200个人脸图像中每个人脸图像的人脸区域的F1层的特征，然后，基于姿态，对3200个F1层的特征进行聚类，得到32个姿态，每个姿态与100个F1层的特征对应。本步骤将同一姿态的人脸聚合在一起。示例的，终端可以采用K-means(中文：K均值)对多个F1层的特征进行聚类。K-means算法是一种基于距离的聚类算法，其采用距离作为相似性的评价指标，K-means算法认为两个对象的距离越近，两个对象的相似度越大。终端对3200个F1层的特征进行聚类后，确定每个姿态对应的100个F1层的特征中最靠近100个F1层的特征的中心位置的F1层的特征，并用向量表示该F1层的特征，以便于获取目标人脸图像所属的第一姿态。

在步骤304中，采用特征提取模型的卷积层提取每个人脸图像的人脸区域的第一卷积层特征，得到n个第一卷积层特征。

可选的，终端可以采用特征提取模型的卷积层提取每个人脸图像的人脸区域的第一卷积层特征，得到n个第一卷积层特征，以便于终端基于n个第一卷积层特征得到定位模型。该第一卷积层特征为C4层的特征。

在步骤305中，针对m个姿态中的每个姿态，采用对应的第三特征对线性回归模型进行训练，得到m个定位模型，第三特征是从人脸图像的人脸区域中提取的，第三特征包括全连接层特征。

全连接层特征为F1层的特征。

示例的，终端基于姿态，对3200个F1层的特征进行聚类，得到32个姿态。比如，对于第一个姿态来说，终端采用特征提取模型的F1层提取第一个姿态对应的100个人脸图像中，每个人脸图像的人脸区域的F1层的特征。这样一来，终端获取到100个F1层的特征。然后，终端将这100个F1层的特征作为第三特征。之后，终端采用该第三特征对线性回归模型进行训练，得到第一个姿态对应的定位模型。同样的，线性回归模型对应的公式中包含多个参数，这些参数都是未知的。在本步骤中，训练线性回归模型的过程其实就是确定线性回归模型对应的公式中的参数的过程。确定了线性回归模型对应公式的参数，即可得到定位模型。在对线性回归模型进行训练时，终端将100个F1层的特征输入至线性回归模型，并确定一组参数值，在该组参数值的作用下，线性回归模型的输出与线性回归模型的输入的差别最小。确定了线性回归模型对应公式的参数，即可得到第一个姿态对应的定位模型。然后终端按照同样的方式得到其余31个姿态对应的定位模型。

第三特征还可以包括步骤304中的第一卷积层特征。该第一卷积层特征为C4层的特征。由于C4层的特征对位置的敏感度比F1层的特征对位置的敏感度高，所以，采用F1层的特征和C4层的特征共同训练线性回归模型，得到的定位模型更优。

现以上述32个姿态为例进行说明。终端在获取第一个姿态对应的定位模型时，可以先按照步骤304，采用特征提取模型的C4层提取第一个姿态对应的100个人脸图像中，每个人脸图像的人脸区域的C4层的特征。终端再采用特征提取模型的F1层提取第一姿态对应的100个人脸图像中，每个人脸图像的人脸区域的F1层的特征。之后，终端将提取出的C4层的特征和F1层的特征进行组合，得到第三特征。然后，终端按照步骤305，采用该第三特征对线性回归模型进行训练，得到第一个姿态对应的定位模型。然后终端按照同样的方式得到其余31个姿态对应的定位模型。

在本公开实施例中，步骤301至步骤305属于训练过程，用于获取特征提取模型、姿态集和每个姿态对应的定位模型。下述步骤306至步骤309属于测试过程，用于基于训练过程中得到的特征提取模型、姿态集和每个姿态对应的定位模型来确定目标人脸图像的人脸区域中的人脸关键点的目标位置。

在步骤306中，采用特征提取模型的全连接层提取目标人脸图像的人脸区域的第一特征。

可选的，第一特征为F1层的特征。

在执行测试过程时，终端先获取目标人脸图像，然后对该目标人脸图像的人脸区域进行特征提取。在进行特征提取时，终端可以先检测目标人脸图像的人脸区域，然后将检测的人脸区域输入至特征提取模型。特征提取模型可以输出该人脸区域的每一层特征，包括：4个卷积层的特征(即C1层的特征、C2层的特征、C3层的特征和C4层的特征)和2个全连接层的特征(即F1层的特征和F2层的特征)。

此外，特征提取模型也可以只输出目标人脸图像的人脸区域的F1层的特征。

其中，F1层的特征是终端采用特征提取模型的F1层从目标人脸图像的人脸区域中提取的。

在步骤307中，根据第一特征从预设的姿态集中获取目标人脸图像所属的第一姿态，该姿态集包括m个姿态。

示例的，终端根据步骤306得到的F1层的特征，从步骤303中得到的32个姿态中获取目标人脸所属的第一姿态。在步骤303中，终端对多个F1层的特征进行聚类后，确定每个姿态对应的100个F1层的特征中最靠近100个F1层的特征的中心位置的F1层的特征，并采用向量E来表示该F1层的特征。每个姿态与一个向量E对应。在本步骤中，终端采用向量F来表示第一特征(即步骤306得到的F1层的特征)，然后计算向量F与每个姿态对应的向量E的距离，该距离可以为向量F和向量E的余弦距离。确定与向量F的距离最小的向量E。之后，终端将该向量E对应的姿态确定为目标人脸图像所属的第一姿态。比如，向量F与第一个姿态对应的向量E的余弦距离最小，那么终端将第一个姿态作为目标人脸图像所属的第一姿态。

在步骤308中，采用特征提取模型的卷积层提取目标人脸图像的人脸区域的第二卷积层特征。

可选的，终端可以采用特征提取模型的卷积层提取目标人脸图像的人脸区域的第二卷积层特征。示例的，第二卷积层特征为C4层的特征。终端可以将步骤306得到的F1层的特征和本步骤得到的C4层的特征进行组合，得到第二特征。该第二特征用于确定目标人脸图像的人脸区域中的人脸关键点的目标位置。

此外，终端也可以直接将特征提取模型输出的F1层的特征和C4层的特征进行组合，得到第二特征。

在步骤309中，采用第一姿态对应的定位模型对第二特征进行处理，得到目标人脸图像的人脸区域中的人脸关键点的目标位置。

终端采用步骤307获取的第一姿态对第二特征进行处理，得到目标人脸图像的人脸区域中的人脸关键点的目标位置。该第二特征可以包括步骤306得到的F1层的特征和步骤308得到的C4层的特征。

在确定人脸区域中的人脸关键点的目标位置时，终端将第二特征输入至定位模型，定位模型的输出则为目标位置。关于定位模型根据第二特征输出人脸区域中的人脸关键点的目标位置的过程可以参考相关技术，在此不再赘述。

综上所述，本公开实施例提供的人脸关键点定位方法，终端先采用特征提取模型提取目标人脸图像的人脸区域的第一特征，再根据第一特征从预设的姿态集中获取目标人脸图像所属的第一姿态。之后，终端采用第一姿态对应的定位模型对第二特征进行处理，得到目标人脸图像的人脸区域中的人脸关键点的目标位置。其中，第二特征是从目标人脸图像的人脸区域中提取的，该第二特征包括第一特征，解决了相关技术中对多姿态的人脸图像进行处理时定位准确度较低的问题，达到了提高定位准确度的效果。

图4是根据一示例性实施例示出的一种人脸关键点定位方法的流程图，本实施例以该人脸关键点定位方法应用于图1所示实施环境中的终端01来举例说明。该人脸关键点定位方法可以包括如下几个步骤：

在步骤401中，采用包括n个人脸图像的训练样本集对卷积神经网络进行训练，得到特征提取模型，该特征提取模型包括卷积层和全连接层。

示例的，终端可以采用包括3200个人脸图像的训练样本集对CNN进行训练，得到特征提取模型。

步骤401的过程可以参考步骤301。

在步骤402中，采用特征提取模型的全连接层提取每个人脸图像的人脸区域的全连接层特征，得到n个全连接层特征。

示例的，终端采用步骤401中的特征提取模型的全连接层提取每个人脸图像的人脸区域的全连接层特征，得到3200个F1层的特征。

步骤402的过程可以参考步骤302。

在步骤403中，基于姿态对n个全连接层特征进行聚类，得到m个姿态，n≥m＞1。

每个姿态与至少一个全连接层特征对应。

示例的，终端基于姿态，对3200个F1层的特征进行聚类，得到32个姿态，每个姿态与100个F1层的特征对应。

步骤403的过程可以参考步骤303。

在步骤404中，针对m个姿态中的每个姿态，采用对应的第三特征对线性回归模型进行训练，得到m个定位模型，第三特征是从人脸图像的人脸区域中提取的，第三特征包括全连接层特征。

示例的，在步骤403中，终端得到32个姿态。对于第一个姿态来说，终端采用特征提取模型的F1层提取第一个姿态对应的100个人脸图像中，每个人脸图像的人脸区域的F1层的特征。终端获取了100个F1层的特征之后，将100个F1层的特征作为第三特征。之后，终端采用该第三特征对线性回归模型进行训练，得到第一个姿态对应的定位模型。

此外，第三特征还可以包括第一卷积层特征，该第一卷积层特征为C4层的特征。终端可以将C4层的特征和F1层的特征进行组合，得到第三特征。然后，终端采用该第三特征对线性回归模型进行训练，得到第一个姿态对应的定位模型。

步骤404的过程可以参考步骤305。

步骤401至步骤404属于训练过程，用于获取特征提取模型、姿态集和每个姿态对应的定位模型。下述步骤405至步骤409属于测试过程，用于基于训练过程得到的特征提取模型、姿态集和每个姿态对应的定位模型来确定目标人脸图像的人脸区域中的人脸关键点的目标位置。其中，目标人脸图像包括第一目标子人脸图像和第二目标子人脸图像，第二目标子人脸图像是对第一目标子人脸图像进行水平镜像处理后得到的。

在本公开实施例中，为了进一步提高定位准确度，可以对目标人脸图像执行两次定位操作。执行完第一次定位操作后，将目标人脸图像进行水平镜像处理，然后针对水平镜像处理后的目标人脸图像执行第二次定位操作。之后，将两次定位操作的结果的平均值作为目标人脸图像的人脸区域中的人脸关键点的目标位置。

在步骤405中，采用特征提取模型提取第一目标子人脸图像的人脸区域的第一子特征，并提取第二目标子人脸图像的人脸区域的第二子特征。

可选的，第一子特征和第二子特征为F1层的特征。终端可以采用特征提取模型的F1层提取第一目标子人脸图像的F1层的特征，并采用特征提取模型的F1层提取第二目标子人脸图像的F1层的特征。

在步骤406中，根据第一子特征从预设的姿态集中获取第一目标子人脸图像所属的第一子姿态，并根据第二子特征从姿态集中获取第二目标子人脸图像所属的第二子姿态。

可选的，终端根据步骤405得到的第一目标子人脸图像的F1层的特征，从步骤403得到的m个姿态中获取第一目标子人脸图像所属的第一子姿态A，并根据步骤405得到的第二目标子人脸图像的F1层的特征，从m个姿态中获取第二目标子人脸图像所属的第二子姿态B。

步骤406的过程可以参考步骤307。

在步骤407中，采用第一子姿态对应的第一子定位模型对第三子特征进行处理，得到第一目标子人脸图像的人脸区域中的人脸关键点的第一子位置，第三子特征是从第一目标子人脸图像的人脸区域中提取的。

可选的，参考步骤308，终端可以采用特征提取模型的C4层提取第一目标子人脸图像的人脸区域的C4层的特征，并将C4层的特征和步骤405得到的第一目标子人脸图像的人脸区域的F1层的特征进行组合，得到第三子特征。之后，终端采用步骤406获取的第一子姿态A对应的第一子定位模型对该第三子特征进行处理，得到第一目标子人脸图像的人脸区域中的人脸关键点的第一子位置x1。第一子定位模型为步骤404得到的m个模型中的模型。

步骤407的过程可以参考步骤309。

在步骤408中，采用第二子姿态对应的第二子定位模型对第四子特征进行处理，得到第二目标子人脸图像的人脸区域中的人脸关键点的第二子位置，第四子特征是从第二目标子人脸图像的人脸区域中提取的。

可选的，参考步骤308，终端可以采用特征提取模型的C4层提取第二目标子人脸图像的人脸区域的C4层的特征，并将C4层的特征和步骤405得到的第二目标子人脸图像的人脸区域的F1层的特征进行组合，得到第四子特征。之后，终端采用步骤406获取的第二子姿态B对应的第二子定位模型对该第四子特征进行处理，得到第二目标子人脸图像的人脸区域中的人脸关键点的第二子位置x2。第二子定位模型为步骤404得到的m个模型中的模型。

在步骤409中，将第一子位置和第二子位置的平均值作为目标位置。

终端计算步骤407得到的第一子位置x1和步骤408得到的第二子位置x2的平均值，并将该平均值作为目标人脸图像的人脸区域中的人脸关键点的目标位置。

综上所述，本公开实施例提供的人脸关键点定位方法，终端先采用特征提取模型提取目标人脸图像的人脸区域的第一特征，再根据第一特征从预设的姿态集中获取目标人脸图像所属的第一姿态。之后，终端采用第一姿态对应的定位模型对第二特征进行处理，得到目标人脸图像的人脸区域中的人脸关键点的目标位置。其中，第二特征是从目标人脸图像的人脸区域中提取的，该第二特征包括第一特征，目标人脸图像包括第一目标子人脸图像和第二目标子人脸图像，第二目标子人脸图像是对第一目标子人脸图像进行水平镜像处理后得到的，该方法将对目标人脸图像执行两次定位操作，将两次定位操作的结果的平均值作为目标人脸图像的人脸区域中的人脸关键点的目标位置，解决了相关技术中对多姿态的人脸图像进行处理时定位准确度较低的问题，达到了提高定位准确度的效果。

需要说明的是，本公开实施例提供的人脸关键点定位方法步骤的先后顺序可以进行适当调整，步骤也可以根据情况进行相应增减，任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，可轻易想到变化的方法，都应涵盖在本公开的保护范围之内，因此不再赘述。

下述为本公开装置实施例，可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节，请参照本公开方法实施例。

图5-1是根据一示例性实施例示出的一种人脸关键点定位装置的框图，该人脸关键点定位装置可以通过软件、硬件或者两者的结合实现成为图1所示实施环境中终端01的部分或者全部。该人脸关键点定位装置500包括：

第一提取模块510，被配置为采用特征提取模型提取目标人脸图像的人脸区域的第一特征。

获取模块520，被配置为根据第一特征从预设的姿态集中获取目标人脸图像所属的第一姿态，该姿态集包括m个姿态，m＞1。

处理模块530，被配置为采用第一姿态对应的定位模型对第二特征进行处理，得到目标人脸图像的人脸区域中的人脸关键点的目标位置。该第二特征是从目标人脸图像的人脸区域中提取的，该第二特征包括第一特征。

综上所述，本公开实施例提供的人脸关键点定位装置，终端先采用特征提取模型提取目标人脸图像的人脸区域的第一特征，再根据第一特征从预设的姿态集中获取目标人脸图像所属的第一姿态。之后，终端采用第一姿态对应的定位模型对第二特征进行处理，得到目标人脸图像的人脸区域中的人脸关键点的目标位置。其中，第二特征是从目标人脸图像的人脸区域中提取的，该第二特征包括第一特征，解决了相关技术中对多姿态的人脸图像进行处理时定位准确度较低的问题，达到了提高定位准确度的效果。

进一步的，如图5-2所示，该装置500还可以包括：

第一训练模块540，被配置为采用包括n个人脸图像的训练样本集对卷积神经网络进行训练，得到特征提取模型。该特征提取模型包括卷积层和全连接层，n≥m。

第二提取模块550，被配置为采用特征提取模型的全连接层提取每个人脸图像的人脸区域的全连接层特征，得到n个全连接层特征。

聚类模块560，被配置为基于姿态对n个全连接层特征进行聚类，得到m个姿态，每个姿态与至少一个全连接层特征对应。

第二训练模块570，被配置为针对m个姿态中的每个姿态，采用对应的第三特征对线性回归模型进行训练，得到m个定位模型。该第三特征是从人脸图像的人脸区域中提取的，该第三特征包括全连接层特征。

可选的，第三特征还包括第一卷积层特征，进一步的，如图5-2所示，该装置500还可以包括：

第三提取模块580，被配置为采用特征提取模型的卷积层提取每个人脸图像的人脸区域的第一卷积层特征，得到n个第一卷积层特征。

可选的，第二特征还可以包括第二卷积层特征，相应的，第一提取模块510，被配置为：

采用特征提取模型的全连接层提取目标人脸图像的人脸区域的第一特征。

相应的，如图5-2所示，该装置还可以包括：

第四提取模块590，被配置为采用特征提取模型的卷积层提取目标人脸图像的人脸区域的第二卷积层特征。

可选的，目标人脸图像包括第一目标子人脸图像和第二目标子人脸图像，第二目标子人脸图像是对第一目标子人脸图像进行水平镜像处理后得到的。相应的，第一提取模块510，被配置为：

采用特征提取模型提取第一目标子人脸图像的人脸区域的第一子特征，并提取第二目标子人脸图像的人脸区域的第二子特征。

获取模块520，被配置为：

根据第一子特征从姿态集中获取第一目标子人脸图像所属的第一子姿态，并根据第二子特征从姿态集中获取第二目标子人脸图像所属的第二子姿态。

处理模块530，被配置为：

采用第一子姿态对应的第一子定位模型对第三子特征进行处理，得到第一目标子人脸图像的人脸区域中的人脸关键点的第一子位置。该第三子特征是从第一目标子人脸图像的人脸区域中提取的，该第三子特征包括第一子特征；

采用第二子姿态对应的第二子定位模型对第四子特征进行处理，得到第二目标子人脸图像的人脸区域中的人脸关键点的第二子位置。该第四子特征是从第二目标子人脸图像的人脸区域中提取的，该第四子特征包括第二子特征；

将第一子位置和第二子位置的平均值作为目标位置。

可选的，第一训练模块540，被配置为：

按照随机梯度下降算法，采用包括n个人脸图像的训练样本集对卷积神经网络进行训练，得到特征提取模型。

综上所述，本公开实施例提供的人脸关键点定位装置，终端先采用特征提取模型提取目标人脸图像的人脸区域的第一特征，再根据第一特征从预设的姿态集中获取目标人脸图像所属的第一姿态。之后，终端采用第一姿态对应的定位模型对第二特征进行处理，得到目标人脸图像的人脸区域中的人脸关键点的目标位置。其中，第二特征是从目标人脸图像的人脸区域中提取的，该第二特征包括第一特征，目标人脸图像包括第一目标子人脸图像和第二目标子人脸图像，第二目标子人脸图像是对第一目标子人脸图像进行水平镜像处理后得到的，该方法将对目标人脸图像执行两次定位操作，将两次定位操作的结果的平均值作为目标人脸图像的人脸区域中的人脸关键点的目标位置，解决了相关技术中对多姿态的人脸图像进行处理时定位准确度较低的问题，达到了提高定位准确度的效果。

图6是根据一示例性实施例示出的一种用于人脸关键点定位的装置1000的框图。例如，装置1000可以是移动终端，比如智能手机、平板电脑等。

参照图6，装置1000可以包括以下一个或多个组件：处理组件1002，存储器1004，电源组件1006，多媒体组件1008，音频组件1010，输入/输出(I/O)的接口1012，传感器组件1014以及通信组件1016。

处理组件1002通常控制装置1000的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件1002可以包括一个或多个处理器1020来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件1002可以包括一个或多个模块，便于处理组件1002和其他组件之间的交互。例如，处理组件1002可以包括多媒体模块，以方便多媒体组件1008和处理组件1002之间的交互。

存储器1004被配置为存储各种类型的数据以支持在装置1000的操作。这些数据的示例包括用于在装置1000上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器1004可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电源组件1006为装置1000的各种组件提供电力。电源组件1006可以包括电源管理系统，一个或多个电源，及其他与为装置1000生成、管理和分配电力相关联的组件。

多媒体组件1008包括在所述装置1000和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件1008包括一个前置摄像头和/或后置摄像头。当装置1000处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件1010被配置为输出和/或输入音频信号。例如，音频组件1010包括一个麦克风(MIC)，当装置1000处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器1004或经由通信组件1016发送。在一些实施例中，音频组件1010还包括一个扬声器，用于输出音频信号。

I/O接口1012为处理组件1002和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件1014包括一个或多个传感器，用于为装置1000提供各个方面的状态评估。例如，传感器组件1014可以检测到装置1000的打开/关闭状态，组件的相对定位，例如所述组件为装置1000的显示器和小键盘，传感器组件1014还可以检测装置1000或装置1000一个组件的位置改变，用户与装置1000接触的存在或不存在，装置1000方位或加速/减速和装置1000的温度变化。传感器组件1014可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件1014还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件1014还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件1016被配置为便于装置1000和其他设备之间有线或无线方式的通信。装置1000可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件1016经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件1016还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，装置1000可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器1004，上述指令可由装置1000的处理器1020执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

一种非临时性计算机可读存储介质，当所述存储介质中的指令由装置1000的处理器执行时，使得装置1000能够执行上述各个实施例提供的人脸关键点定位方法。

综上所述，本公开实施例提供的人脸关键点定位装置，终端先采用特征提取模型提取目标人脸图像的人脸区域的第一特征，再根据第一特征从预设的姿态集中获取目标人脸图像所属的第一姿态。之后，终端采用第一姿态对应的定位模型对第二特征进行处理，得到目标人脸图像的人脸区域中的人脸关键点的目标位置。其中，第二特征是从目标人脸图像的人脸区域中提取的，该第二特征包括第一特征，目标人脸图像包括第一目标子人脸图像和第二目标子人脸图像，第二目标子人脸图像是对第一目标子人脸图像进行水平镜像处理后得到的，该方法将对目标人脸图像执行两次定位操作，将两次定位操作的结果的平均值作为目标人脸图像的人脸区域中的人脸关键点的目标位置，解决了相关技术中对多姿态的人脸图像进行处理时定位准确度较低的问题，达到了提高定位准确度的效果。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (12)

1.一种人脸关键点定位方法，其特征在于，所述方法包括：

采用特征提取模型提取目标人脸图像的人脸区域的第一特征；

根据所述第一特征从预设的姿态集中获取所述目标人脸图像所属的第一姿态，所述姿态集包括m个姿态，m>1；

采用所述第一姿态对应的定位模型对第二特征进行处理，得到所述目标人脸图像的人脸区域中的人脸关键点的目标位置，所述第二特征是从所述目标人脸图像的人脸区域中提取的，所述第二特征包括所述第一特征，其中，

采用包括n个人脸图像的训练样本集对卷积神经网络进行训练，得到所述特征提取模型，所述特征提取模型包括卷积层和全连接层，n≥m；

采用所述特征提取模型的全连接层提取每个所述人脸图像的人脸区域的全连接层特征，得到n个全连接层特征；

基于姿态对所述n个全连接层特征进行聚类，得到所述m个姿态，每个所述姿态与至少一个全连接层特征对应；

针对所述m个姿态中的每个所述姿态，采用对应的第三特征对线性回归模型进行训练，得到m个定位模型，所述第三特征是从人脸图像的人脸区域中提取的，所述第三特征包括所述全连接层特征。

2.根据权利要求1所述的方法，其特征在于，所述第三特征还包括第一卷积层特征，所述方法还包括：

采用所述特征提取模型的卷积层提取每个所述人脸图像的人脸区域的第一卷积层特征，得到n个第一卷积层特征。

3.根据权利要求1所述的方法，其特征在于，所述第二特征还包括第二卷积层特征，

所述采用特征提取模型提取目标人脸图像的人脸区域的第一特征，包括：

采用所述特征提取模型的全连接层提取所述目标人脸图像的人脸区域的第一特征；

所述方法还包括：

采用所述特征提取模型的卷积层提取所述目标人脸图像的人脸区域的第二卷积层特征。

4.根据权利要求1所述的方法，其特征在于，

所述目标人脸图像包括第一目标子人脸图像和第二目标子人脸图像，所述第二目标子人脸图像是对所述第一目标子人脸图像进行水平镜像处理后得到的，

所述采用特征提取模型提取目标人脸图像的人脸区域的第一特征，包括：

采用所述特征提取模型提取所述第一目标子人脸图像的人脸区域的第一子特征，并提取所述第二目标子人脸图像的人脸区域的第二子特征；

所述根据所述第一特征从预设的姿态集中获取所述目标人脸图像所属的第一姿态，包括：

根据所述第一子特征从所述姿态集中获取所述第一目标子人脸图像所属的第一子姿态，并根据所述第二子特征从所述姿态集中获取所述第二目标子人脸图像所属的第二子姿态；

所述采用所述第一姿态对应的定位模型对第二特征进行处理，得到所述目标人脸图像的人脸区域中的人脸关键点的目标位置，包括：

采用所述第一子姿态对应的第一子定位模型对第三子特征进行处理，得到所述第一目标子人脸图像的人脸区域中的人脸关键点的第一子位置，所述第三子特征是从所述第一目标子人脸图像的人脸区域中提取的，所述第三子特征包括所述第一子特征；

采用所述第二子姿态对应的第二子定位模型对第四子特征进行处理，得到所述第二目标子人脸图像的人脸区域中的人脸关键点的第二子位置，所述第四子特征是从所述第二目标子人脸图像的人脸区域中提取的，所述第四子特征包括所述第二子特征；

将所述第一子位置和所述第二子位置的平均值作为所述目标位置。

5.根据权利要求1所述的方法，其特征在于，所述采用包括n个人脸图像的训练样本集对卷积神经网络进行训练，得到所述特征提取模型，包括：

按照随机梯度下降算法，采用包括所述n个人脸图像的训练样本集对所述卷积神经网络进行训练，得到所述特征提取模型。

6.一种人脸关键点定位装置，其特征在于，所述装置包括：

第一提取模块，被配置为采用特征提取模型提取目标人脸图像的人脸区域的第一特征；

获取模块，被配置为根据所述第一特征从预设的姿态集中获取所述目标人脸图像所属的第一姿态，所述姿态集包括m个姿态，m>1；

处理模块，被配置为采用所述第一姿态对应的定位模型对第二特征进行处理，得到所述目标人脸图像的人脸区域中的人脸关键点的目标位置，所述第二特征是从所述目标人脸图像的人脸区域中提取的，所述第二特征包括所述第一特征；

第一训练模块，被配置为采用包括n个人脸图像的训练样本集对卷积神经网络进行训练，得到所述特征提取模型，所述特征提取模型包括卷积层和全连接层，n≥m；

第二提取模块，被配置为采用所述特征提取模型的全连接层提取每个所述人脸图像的人脸区域的全连接层特征，得到n个全连接层特征；

聚类模块，被配置为基于姿态对所述n个全连接层特征进行聚类，得到所述m个姿态，每个所述姿态与至少一个全连接层特征对应；

第二训练模块，被配置为针对所述m个姿态中的每个所述姿态，采用对应的第三特征对线性回归模型进行训练，得到m个定位模型，所述第三特征是从人脸图像的人脸区域中提取的，所述第三特征包括所述全连接层特征。

7.根据权利要求6所述的装置，其特征在于，所述第三特征还包括第一卷积层特征，所述装置还包括：

第三提取模块，被配置为采用所述特征提取模型的卷积层提取每个所述人脸图像的人脸区域的第一卷积层特征，得到n个第一卷积层特征。

8.根据权利要求6所述的装置，其特征在于，所述第二特征还包括第二卷积层特征，

所述第一提取模块，被配置为：

采用所述特征提取模型的全连接层提取所述目标人脸图像的人脸区域的第一特征；

所述装置还包括：

第四提取模块，被配置为采用所述特征提取模型的卷积层提取所述目标人脸图像的人脸区域的第二卷积层特征。

9.根据权利要求6所述的装置，其特征在于，

所述目标人脸图像包括第一目标子人脸图像和第二目标子人脸图像，所述第二目标子人脸图像是对所述第一目标子人脸图像进行水平镜像处理后得到的，

所述第一提取模块，被配置为：

采用所述特征提取模型提取所述第一目标子人脸图像的人脸区域的第一子特征，并提取所述第二目标子人脸图像的人脸区域的第二子特征；

所述获取模块，被配置为：

根据所述第一子特征从所述姿态集中获取所述第一目标子人脸图像所属的第一子姿态，并根据所述第二子特征从所述姿态集中获取所述第二目标子人脸图像所属的第二子姿态；

所述处理模块，被配置为：

采用所述第一子姿态对应的第一子定位模型对第三子特征进行处理，得到所述第一目标子人脸图像的人脸区域中的人脸关键点的第一子位置，所述第三子特征是从所述第一目标子人脸图像的人脸区域中提取的，所述第三子特征包括所述第一子特征；

采用所述第二子姿态对应的第二子定位模型对第四子特征进行处理，得到所述第二目标子人脸图像的人脸区域中的人脸关键点的第二子位置，所述第四子特征是从所述第二目标子人脸图像的人脸区域中提取的，所述第四子特征包括所述第二子特征；

将所述第一子位置和所述第二子位置的平均值作为所述目标位置。

10.根据权利要求6所述的装置，其特征在于，所述第一训练模块，被配置为：

按照随机梯度下降算法，采用包括所述n个人脸图像的训练样本集对所述卷积神经网络进行训练，得到所述特征提取模型。

11.一种人脸关键点定位装置，其特征在于，所述装置包括：

处理器；

用于存储所述处理器的可执行指令的存储器；

其中，所述处理器被配置为：

采用特征提取模型提取目标人脸图像的人脸区域的第一特征；

根据所述第一特征从预设的姿态集中获取所述目标人脸图像所属的第一姿态，所述姿态集包括m个姿态，m>1；

采用所述第一姿态对应的定位模型对第二特征进行处理，得到所述目标人脸图像的人脸区域中的人脸关键点的目标位置，所述第二特征是从所述目标人脸图像的人脸区域中提取的，所述第二特征包括所述第一特征；

采用包括n个人脸图像的训练样本集对卷积神经网络进行训练，得到所述特征提取模型，所述特征提取模型包括卷积层和全连接层，n≥m；

采用所述特征提取模型的全连接层提取每个所述人脸图像的人脸区域的全连接层特征，得到n个全连接层特征；

基于姿态对所述n个全连接层特征进行聚类，得到所述m个姿态，每个所述姿态与至少一个全连接层特征对应；

针对所述m个姿态中的每个所述姿态，采用对应的第三特征对线性回归模型进行训练，得到m个定位模型，所述第三特征是从人脸图像的人脸区域中提取的，所述第三特征包括所述全连接层特征。

12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现权利要求1-5所述方法的步骤。

Images