CN112380981A - 人脸关键点的检测方法、装置、存储介质及电子设备 - Google Patents

Abstract

本公开提供了一种人脸关键点的检测方法、装置、存储介质及电子设备，属于人脸识别技术领域，该方法包括：获取包含人脸的待标注图像；将所述待标注图像输入至预先训练完成的关键点标注模型，以使所述关键点标注模型输出所述待标注图像对应的热力图、预测关键点坐标以及所述待标注图像中各点位的遮挡置信度；根据所述热力图、所述预测关键点坐标以及所述遮挡置信度，确定所述待标注图像的目标关键点坐标；根据所述目标关键点坐标，对所述待标注图像进行关键点标注。该方法能够提高人脸关键点的识别效率，并保证人脸关键点识别的准确度。

Description

人脸关键点的检测方法、装置、存储介质及电子设备

技术领域

本公开涉及人脸识别技术领域，具体而言，涉及一种人脸关键点的检测方法、人脸关键点的检测装置、计算机可读存储介质以及电子设备。

背景技术

人脸关键点检测是指在人脸图像中检测出人脸上如眼睛、鼻子、脸部边缘等关键点的技术。其可应用于定位人脸局部、识别表情、智能驾考判定、辅助驾驶等场景中。在目前的技术方案中，通过对图像进行多次标注取平均值的方式，以消除在人脸关键点标注时的误差。然而，多次标注耗费时间较长，成本较高。因此，如何提高人脸关键点的识别效率，并保证人脸关键点的识别的准确度成为了亟待解决的技术问题。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本公开的实施例提供一种人脸关键点的检测方法、人脸关键点的检测装置、计算机可读存储介质以及电子设备。

根据本公开的第一方面，提供一种人脸关键点的检测方法，包括：

获取包含人脸的待标注图像；

将所述待标注图像输入至预先训练完成的关键点标注模型，以使所述关键点标注模型输出所述待标注图像对应的热力图、预测关键点坐标以及所述待标注图像中各点位的遮挡置信度；

根据所述热力图、所述预测关键点坐标以及所述遮挡置信度，确定所述待标注图像的目标关键点坐标；

根据所述目标关键点坐标，对所述待标注图像进行关键点标注。

在本公开的一示例性实施例中，根据所述热力图、所述预测关键点坐标以及所述遮挡置信度，确定所述待标注图像的目标关键点坐标，包括：

将所述待标注图像中各点位的遮挡置信度与预先设定的遮挡阈值进行比较，确定遮挡置信度小于所述遮挡阈值的待处理点位；

根据所述待处理点位，从所述预测关键点坐标中选取与所述待处理点位相对应的预测关键点坐标作为第一关键点坐标；

根据所述待处理点位，从所述热力图中选取除与所述待处理点位相对应的位置之外的高亮点位的坐标作为第二关键点坐标；

将所述第一关键点坐标与所述第二关键点坐标进行整合，确定所述待标注图像的目标关键点坐标。

在本公开的一示例性实施例中，所述检测方法还包括:

获取遮挡训练样本集合，所述遮挡训练样本集合包括多个遮挡样本图像，所述遮挡样本图像中的人脸包括部分遮挡；

将所述遮挡训练样本集合中的遮挡样本图像输入至所述关键点标注模型中，以使所述关键点标注模型输出所述遮挡样本图像中各点位的遮挡置信度；

根据多个所述遮挡样本图像中各点位的遮挡置信度，确定遮挡阈值。

在本公开的一示例性实施例中，根据多个所述遮挡样本图像中各点位的遮挡置信度，确定遮挡阈值，包括：

从多个所述遮挡样本图像中各点位的遮挡置信度中，选取对应于所述遮挡样本图像中无遮挡位置的点位的遮挡置信度作为待选置信度；

从所述待选置信度中按照从大到小的顺序，选取排列在预定比例位置的遮挡置信度作为遮挡阈值。

在本公开的一示例性实施例中，所述检测方法还包括：

获取训练样本集合，所述训练样本集合中包含多个包含人脸的样本图像，所述样本图像中包含关键点信息；

将所述样本图像输入至待训练的关键点标注模型中，以使所述关键点标注模型输出与所述样本图像对应的热力图、预测关键点坐标以及所述样本图像中各点位的遮挡置信度；

根据所述样本图像对应的热力图、预测关键点坐标以及所述样本图像中各点位的遮挡置信度，确定所述样本图像中的目标关键点坐标；

调整待训练的所述关键点标注模型中的参数，以使所述样本图像中的目标关键点坐标与所述关键点信息相匹配。

在本公开的一示例性实施例中，调整待训练的所述关键点标注模型中的参数，以使所述样本图像中的目标关键点坐标与所述关键点信息相匹配，包括：

将所述训练样本集合输入至不同学习率的待训练的关键点标注模型中，以使各关键点标注模型分别输出训练数据，所述训练数据包括各样本图像对应的热力图、预测关键点坐标以及样本图像中各点位的遮挡置信度；

根据多组所述训练数据进行统计，从多个所述训练数据中识别出目标训练数据；

根据所述目标训练数据对所述样本图像包含的关键点信息进行更新，得到所述样本图像更新后的关键点信息；

调整待训练的所述关键点标注模型中的参数，以使所述目标关键点坐标与所述更新后的关键点信息相匹配。

根据本公开的第二方面，提供一种人脸关键点的检测装置，包括：

获取模块，用于获取包含人脸的待标注图像；

处理模块，用于将所述待标注图像输入至预先训练完成的关键点标注模型，以使所述关键点标注模型输出所述待标注图像对应的热力图、预测关键点坐标以及所述待标注图像中各点位的遮挡置信度；

确定模块，用于根据所述热力图、所述预测关键点坐标以及所述遮挡置信度，确定所述待标注图像的目标关键点坐标；

标注模块，用于根据所述目标关键点坐标，对所述待标注图像进行关键点标注。

在本公开的一示例性实施例中，所述确定模块包括：

确定单元，用于将所述待标注图像中各点位的遮挡置信度与预先设定的遮挡阈值进行比较，确定遮挡置信度小于所述遮挡阈值的待处理点位；

第一选取单元，用于根据所述待处理点位，从所述预测关键点坐标中选取与所述待处理点位相对应的预测关键点坐标作为第一关键点坐标；

第二选取单元，用于根据所述待处理点位，从所述热力图中选取除与所述待处理点位相对应的位置之外的高亮点位的坐标作为第二关键点坐标；

整合单元，用于将所述第一关键点坐标与所述第二关键点坐标进行整合，确定所述待标注图像的目标关键点坐标。

根据本公开的第三方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任意一项所述的人脸关键点的检测方法。

根据本公开的第四方面，提供一种电子设备，包括：

处理器；以及

存储器，其上存储有计算机程序；

其中，所述处理器配置为经由执行所述计算机程序来实现如上述任意一项所述的人脸关键点的检测方法。

本公开的实施例提供的技术方案可以具有以下有益效果：

基于本公开的各实施例，通过获取包含人脸的待标注图像，将待标注图像输入至预先训练完成的关键点标注模型，以使关键点标注模型输出待标注图像对应的热力图、预测关键点坐标以及待标注图像中各点位的遮挡置信度，再根据热力图、预测关键点坐标以及遮挡置信度，确定待标注图像的目标关键点坐标，以对待标注图像进行关键点标注，由此，通过热力图、预测关键点坐标以及遮挡置信度，确定目标关键点坐标，可以保证目标关键点坐标的准确度，同时无需多次标注，进而提高了人脸关键点的识别效率。

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和解释性的，并不能限制本公开。

附图说明

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。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示出了根据本申请的一个实施例的人脸关键点的检测方法的流程示意图。

图2示出了根据本申请的一个实施例的图1的人脸关键点的检测方法中步骤S130的流程示意图。

图3示出了根据本申请的一个实施例的人脸关键点的检测方法还包括的确定遮挡阈值的流程示意图。

图4示出了根据本申请的一个实施例的图3的人脸关键点的检测方法中步骤S330的流程示意图。

图5示出了根据本申请的一个实施例的人脸关键点的检测方法中还包括的训练关键点标注模型的流程示意图。

图6示出了根据本申请的一个实施例的图5的人脸关键点的检测方法中步骤S540的流程示意图。

图7示出了根据本申请一个实施例的人脸关键点的检测装置的示意组成框图。

图8示出了根据本申请一个实施例的电子设备的示意组成框图。

图9示出了根据本申请一个实施例的一种计算机可读存储介质的示意图。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本公开的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。

此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

图1示出了根据本申请的一个实施例的人脸关键点的检测方法的流程示意图。该人脸关键点的检测方法可以应用于终端设备中，例如智能手机、平板电脑或者便携式电脑等，在其他实施例中，该人脸关键点的检测方法也可以应用于服务器中，本申请对此不做特殊限定。

参照图1所示，该人脸关键点的检测方法至少包括步骤S110至步骤S140，详细介绍如下：

在步骤S110中，获取包含人脸的待标注图像。

在本申请一实施例中，终端设备可以从本地的存储位置中获取待标注图像，其中，该待标注图像包含未标注的人脸部分。需要说明的，所获取的待标注图像的数量可以是一个，也可以是两个或者两个以上的任意数量，本申请对此不做特殊限定。

在本申请一实施例中，当终端设备接收到标注指令时，则可以打开其配置有的拍照装置如摄像头等，用户可以将该拍照装置对准欲标注的对象，从而获取待标注图像。

在步骤S120中，将所述待标注图像输入至预先训练完成的关键点标注模型，以使所述关键点标注模型输出所述待标注图像对应的热力图、预测关键点坐标以及所述待标注图像中各点位的遮挡置信度。

在该实施例中，关键点标注模型可以是采用卷积神经网络训练而成，通过预先训练，以使该关键点标注模型可以输出与输入相对应的热力图、预测关键点坐标以及输入中各点位的遮挡置信度。

需要说明的，该热力图可以通过各点位的亮度从而表征出各点位为人脸关键点的可能性大小，即亮度越高，则表示该点位对应关键点的可能性越大，相反的，亮度越低，则表示该点位对应关键点的可能性越小。

然而，热力图对存在遮挡的人脸的待标注图像的识别效果不佳，其对应于遮挡部分的可信度较低。因此，通过训练一组全链接层以使该全链接层可以输出对待标注图像的关键点位置的预测关键点坐标。再训练关键点标注模型以使该关键点标注模型可以输出待标注图像中各点位的遮挡置信度。

需要说明的，该遮挡置信度可以用于描述待标注图像中各点位是否被遮挡的可能性大小。在实际使用中，遮挡置信度可以是介于0至1之间的数值，若遮挡置信度越大，则表示对应点位未被遮挡的可能性越大，若遮挡置信度越小，则表示对应点位被遮挡的可能性越大。

在步骤S130中，根据所述热力图、所述预测关键点坐标以及所述遮挡置信度，确定所述待标注图像的目标关键点坐标。

在该步骤中，通过考虑遮挡置信度，从热力图的高亮位置的坐标以及预测关键点坐标中识别出目标关键点坐标，由此可以保证目标关键点坐标的准确度。

在本申请一实施例中，可以将热力图中的高亮位置的坐标与待标注图像中各点位的遮挡置信度进行比对。若热力图中的高亮位置的坐标所对应的遮挡置信度较低，处于被遮挡的数值范围内，则表示该高亮位置被遮挡的可能性较大，因此，可以将该高亮位置的亮度调至低亮度范围内。

若热力图中的高亮位置的坐标所对应的遮挡置信度较高，处于未被遮挡的数值范围内，则表示该高亮位置未被遮挡的可能性较大，因此该高亮位置的可信度较高，对该高亮位置可以不做处理。由此，比对之后可以得到更新后的热力图。

结合更新后的热力图与关键点标注模型所输出的预测关键点坐标，将更新后的热力图的高亮位置的坐标以及预测关键点坐标进行去重，以得到目标关键点坐标。由此，通过遮挡置信度，可以对热力图中的高亮位置的坐标进行筛选，再结合预测关键点坐标，由此，可以保证目标关键点坐标的准确性。

在步骤S140中，根据所述目标关键点坐标，对所述待标注图像进行关键点标注。

在该步骤中，根据所确定的目标关键点坐标，可以对待标注图像进行关键点标注。在一示例中，对待标注图像进行关键点标注可以是将待标注图像中的目标关键点坐标进行高亮显示，例如采用红色或者黄色的预定颜色进行显示等。在另一示例中，对待标注图像进行关键点标注可以是采用批注的方式，具体地，批注框的一端可以指示目标关键点坐标所对应的位置，另一端可以包含该关键点的所属区域信息，例如嘴唇关键点、眼睛关键点或者鼻部关键点等等。

在图1所示的实施例中，通过将待标注图像输入至关键点标注模型中，以使该关键点标注模型输出待标注图像对应的热力图、预测关键点坐标以及待标注图像中各点位的遮挡置信度，由此，根据该热力图、预测关键点坐标以及遮挡置信度，从而确定待标注图像的目标关键点坐标，可以保证目标关键点坐标的准确度，同时也无需多次进行标注，提高了标注效率。

基于图1所示的实施例，图2示出了根据本申请的一个实施例的图1的人脸关键点的检测方法中步骤S130的流程示意图。参照图2所示，步骤S130至少包括步骤S210至步骤S240，详细介绍如下：

在步骤S210中，将所述待标注图像中各点位的遮挡置信度与预先设定的遮挡阈值进行比较，确定遮挡置信度小于所述遮挡阈值的待处理点位。

其中，遮挡阈值可以是用于确定该点位是否被遮挡的阈值，若某一点位的遮挡置信度小于遮挡阈值，则表示该点位被遮挡的可能性较大；若某一点位的遮挡置信度大于或等于遮挡阈值，则表示该点位未被遮挡的可能性较大。

在该实施例中，将待标注图像中各点位对应的遮挡置信度与预先设定的遮挡阈值进行比较，可以得到待标注图像中具有较大可能性的点位即遮挡置信度小于遮挡阈值的待处理点位。

在步骤S220中，根据所述待处理点位，从所述预测关键点坐标中选取与所述待处理点位相对应的预测关键点坐标作为第一关键点坐标。

在该实施例中，由于待处理点位为具有较大可能性被遮挡的点位，因此，相比于热力图中对应于该待处理点位的高亮位置，与该待处理点位相对应的预测关键点坐标的可信度较高，因此将预测关键点坐标中与待处理点位相对应的预测关键点坐标作为第一关键点坐标。

在步骤S230中，根据所述待处理点位，从所述热力图中选取除与所述待处理点位相对应的位置之外的高亮点位的坐标作为第二关键点坐标。

在该实施例中，由于待处理点位为具有较大可能性被遮挡的点位，因此，热力图中除与待处理点位相对应的位置之外的高亮点位即为具有较大可能性未被遮挡的点位，可信度较高，所以可以将其作为第二关键点坐标。

在步骤S240中，将所述第一关键点坐标与所述第二关键点坐标进行整合，确定所述待标注图像的目标关键点坐标。

在该实施例中，根据所识别得到的第一关键点坐标以及第二关键点坐标，将第一关键点坐标和第二关键点坐标进行整合，以将第一关键点坐标和第二关键点坐标作为目标关键点坐标。

在图2所示的实施例中，通过遮挡置信度的设置，分别从预测关键点坐标以及热力图中分别选取第一关键点坐标和第二关键点坐标，以作为目标关键点坐标。由此可以分别从预测关键点坐标以及热力图中选取可信度较高的坐标作为目标关键点坐标，从而保证了目标关键点坐标的准确度。

基于图1所示的实施例，图3示出了根据本申请的一个实施例的人脸关键点的检测方法还包括的确定遮挡阈值的流程示意图。参照图3所示，确定遮挡阈值至少包括步骤S310至步骤S330，详细介绍如下：

在步骤S310中，获取遮挡训练样本集合，所述遮挡训练样本集合包括多个遮挡样本图像，所述遮挡样本图像中的人脸包括部分遮挡。

在该实施例中，遮挡训练样本集合中可以包含多个遮挡样本图像，该遮挡样本图像中的人脸存在部分遮挡，例如背景、帽子、口罩、刘海、眼镜、胡子、手指、笔或者麦克风等常见人脸遮挡物。对应于每一个遮挡样本图像，可以对应存储该遮挡样本图像对应的遮挡位置的坐标，以在后续进行比对。

在步骤S320中，将所述遮挡训练样本集合中的遮挡样本图像输入至所述关键点标注模型中，以使所述关键点标注模型输出所述遮挡样本图像中各点位的遮挡置信度。

在该实施例中，通过对关键点标注模型进行构建，以使该关键点标注模型能够输出其输入所对应的各点位的遮挡置信度。将遮挡训练样本集合中的遮挡样本图像输入至待训练的关键点标注模型，以使该关键点标注模型能够输出各遮挡样本图像中各点位的遮挡置信度。

在步骤S330中，根据多个所述遮挡样本图像中各点位的遮挡置信度，确定遮挡阈值。

在本申请一实施例中，根据关键点标注模型所输出的遮挡样本图像中各点位的遮挡置信度，将其与各遮挡样本图像中对应于遮挡位置的坐标进行比对，得到各遮挡样本图像中无遮挡位置的点位的遮挡置信度，即各遮挡样本图像中除对应于遮挡位置之外的点位的遮挡置信度。以根据对应于无遮挡位置的点位的遮挡置信度确定遮挡阈值，用于后续判断。

在本申请一示例中，可以从各遮挡样本图像中无遮挡位置的点位的遮挡置信度中，选取最小值以作为遮挡阈值，以在后续比对中能够保证该遮挡阈值尽可能的识别出待标注图像中被遮挡的位置。

在图3所示的实施例中，通过设置遮挡训练样本集合，作为该关键点标注模型的输入，从而能够使关键点标注模型输出遮挡训练样本集合中各遮挡样本图像中各点位的遮挡置信度，进而根据该遮挡置信度确定遮挡阈值，保证了遮挡阈值设置的有效性，使得该遮挡阈值具有参考价值。

基于图1和图3所示的实施例，图4示出了根据本申请的一个实施例的图3的人脸关键点的检测方法中步骤S330的流程示意图。参照图4所示，步骤S330至少包括步骤S410至步骤S420，详细介绍如下：

在步骤S410中，从多个所述遮挡样本图像中各点位的遮挡置信度中，选取对应于遮挡样本图像中无遮挡位置的点位的遮挡置信度作为待选置信度。

在该实施例中，将关键点标注模型所输出的各遮挡样本图像中的各点位的遮挡置信度与各遮挡样本图像中对应于被遮挡位置的点位的坐标进行匹配，可以得到各遮挡样本图像中除被遮挡位置以外的点位的遮挡置信度，即对应于各遮挡样本图像中无遮挡位置的点位的遮挡置信度，并将对应于各遮挡样本图像中无遮挡位置的点位的遮挡置信度作为待选置信度，以从中选取之一作为遮挡阈值。

在步骤S420中，从所述待选置信度中按照从大到小的顺序，选取排列在预定比例位置的遮挡置信度作为遮挡阈值。

在该实施例中，预定比例可以是由本领域技术人员预先设定、用以确定遮挡阈值的比例，例如预定比例可以是98％、99％或者99.5％等等。例如待选置信度的数量为1000，若预定比例为99.5％，则将按照从大到小的顺序进行排列的待选置信度中选取排列在第995位(即1000*99.5％)的待选置信度作为遮挡阈值。

需要说明的，由于关键点标注模型的识别存在一定误差，因此对应于遮挡位置以及无遮挡位置的遮挡置信度也存在一定的误差，具有交集，因此本领域技术人员可以根据在先经验设定预定比例，以消除该误差，从而保证遮挡阈值的有效性，避免后续的误识别的情况发生。

基于图1所示的实施例，图5示出了根据本申请的一个实施例的人脸关键点的检测方法中还包括的训练关键点标注模型的流程示意图。参照图5所示，训练关键点标注模型至少包括步骤S510至步骤S530，详细介绍如下：

在步骤S510中，获取训练样本集合，所述训练样本集合中包含多个包含人脸的样本图像，所述样本图像中包含关键点信息。

在该实施例中，训练样本集合可以是用于训练关键点标注模型的样本集合，其中可以包含多个包含人脸的样本图像，且每一样本图像中可以包含有自身的关键点信息，该关键点信息可以是预先进行标定的待标注图像的关键点坐标。

在本申请的一示例中，可以从本地的存储位置中获取该训练样本集合例如图像数据库等。具体地，当接收到对关键点标注模型的训练请求时，可以从图像数据库中随机选取预定数量的样本图像进行随机排列以得到训练样本集合。在其他示例中，也可以通过网络从第三方机构中获取训练样本集合，本申请对此不作特殊限定。

在步骤S520中，将所述样本图像输入至待训练的关键点标注模型中，以使所述关键点标注模型输出与所述样本图像对应的热力图、预测关键点坐标以及所述样本图像中各点位的遮挡置信度。

在该实施例中，通过对关键点标注模型进行构建，使其具有三个分支，一是热力图分支，该热力图分支能够输出样本图像对应的热力图，热力图中的高亮点位可以用于表示该样本图像的关键点位置；二是预测关键点坐标分支，其能够对样本图像进行分析，从而输出对样本图像的关键点进行预测的预测关键点坐标；三是遮挡置信度输出分支，该分支能够输出样本图像中各点位对应的遮挡置信度。

由此，将训练样本集合中的每一样本图像输入至关键点标注模型中，以使该关键点标注模型的三个分支分别输出各样本图像对应的热力图、预测关键点坐标以及样本图像中各点位的遮挡置信度。

在步骤S530中，根据所述样本图像对应的热力图、预测关键点坐标以及所述样本图像中各点位的遮挡置信度，确定所述样本图像中的目标关键点坐标。

在该实施例中，可以根据各样本图像所对应的热力图、预测关键点坐标以及各点位的遮挡置信度，参照如上实施例所述的选取方法，确定各样本图像对应的目标关键点坐标，本申请在此不再赘述。

在步骤S540中，调整待训练的关键点标注模型中的参数，以使所述样本图像中的目标关键点坐标与所述关键点信息相匹配。

在该实施例中，根据所确定的样本图像的目标关键点坐标，将其与各样本图像预先标定的关键点信息进行比对，从而确定目标关键点坐标是否与关键点信息相匹配，若不匹配，则表示关键点标注模型识别有误，因此，可以通过调整关键点标注模型的参数，从而使得根据关键点标注模型的输出所确定的目标关键点坐标能够与样本图像的关键点信息进行匹配，从而保证关键点标注模型的识别的准确性。

基于图1和图5所示的实施例，图6示出了根据本申请的一个实施例的图5的人脸关键点的检测方法中步骤S540的流程示意图。参照图6所示，步骤S540至少包括步骤S610至步骤S640，详细介绍如下：

在步骤S610中，将所述训练样本集合输入至不同学习率的待训练的关键点标注模型中，以使各关键点标注模型分别输出训练数据，所述训练数据包括各样本图像对应的热力图、预测关键点坐标以及样本图像中各点位的遮挡置信度。

在该实施例中，将训练样本集合输入至不同学习率的待训练的关键点标注模型中，以使不同学习率的关键点标注模型输出多组训练数据，该训练数据包括各样本图像对应的热力图、预测关键点坐标以及样本图像中各点位的遮挡置信度。

在本申请的一个实施例中，可以对第一次训练时的关键点标注模型设置一个较大的学习率，每基于训练样本集合进行训练完成100次后，将该学习率降低10倍，并根据更新后的学习率继续训练，直到关键点标注模型接近收敛，且损失函数不再下降的时候，存储不同学习率下的关键点标注模型所输出的多组训练数据。

在步骤S620中，根据多个所述训练数据进行统计，从多个所述训练数据中识别出目标训练数据。

在本申请的一个实施例中，根据多组训练数据，可以对应确定每一组训练数据中各样本图像对应的目标关键点坐标数据。由此，可以得到每一样本图像对应的多组目标关键点坐标数据，再根据各样本图像对应的多组目标关键点坐标数据，可以将出现次数在预定次数以上目标关键点坐标作为该样本图像的真实的关键点坐标，例如在某一样本图像对应的多组目标关键点坐标数据中，坐标A出现的次数为50次，坐标B出现的次数为10次，预定次数为40次，则可以将坐标A确定为该样本图像的真实的关键点坐标，坐标B则不予采纳，等等。需要说明的，以上数字仅为示例性举例，本申请对此不作特殊限定。

应该理解的，在各个样本图像对应的多组目标关键点样本数据中，出现次数越多的目标关键点坐标，则越有可能为该样本图像的真实的关键点坐标，因此，可以将出现次数大于预定次数的目标关键点坐标作为该样本图像对应的真实关键点坐标并进行整合，以得到该样本图像对应的目标训练数据。

在步骤S630中，根据所述目标训练数据对所述样本图像包含的关键点信息进行更新，得到所述样本图像更新后的关键点信息。

在该实施例中，根据所得到的目标训练数据，对样本图像原先包含的关键点信息进行替换，从而得到样本图像更新后的关键点信息。

在步骤S640中，调整待训练的所述关键点标注模型中的参数，以使所述目标关键点坐标与所述更新后的关键点信息相匹配。

在该实施例中，在后续训练关键点标注模型时，通过调整关键点标注模型的参数，使得该关键点标注模型的输出能够与各样本图像的更新后的关键点信息相匹配。由此，通过更新后的关键点信息对关键点标注模型的训练进行指导，以消除原本预先标定的关键点信息的误差，从而能够保证关键点标注模型的训练效果，以保证关键点标注模型的输出的准确性。

本公开还提供了一种人脸关键点的检测装置。参考图7所示，该装置可以包括：

获取模块710，用于获取包含人脸的待标注图像；

处理模块720，用于将所述待标注图像输入至预先训练完成的关键点标注模型，以使所述关键点标注模型输出所述待标注图像对应的热力图、预测关键点坐标以及所述待标注图像中各点位的遮挡置信度；

确定模块730，用于根据所述热力图、所述预测关键点坐标以及所述遮挡置信度，确定所述待标注图像的目标关键点坐标；

标注模块740，用于根据所述目标关键点坐标，对所述待标注图像进行关键点标注。

在本申请的一实施例中，所述确定模块730包括：

确定单元，用于将所述待标注图像中各点位的遮挡置信度与预先设定的遮挡阈值进行比较，确定遮挡置信度小于所述遮挡阈值的待处理点位；

第一选取单元，用于根据所述待处理点位，从所述预测关键点坐标中选取与所述待处理点位相对应的预测关键点坐标作为第一关键点坐标；

第二选取单元，用于根据所述待处理点位，从所述热力图中选取除与所述待处理点位相对应的位置之外的高亮点位的坐标作为第二关键点坐标；

整合单元，用于将所述第一关键点坐标与所述第二关键点坐标进行整合，确定所述待标注图像的目标关键点坐标。

上述人脸关键点的检测装置中各模块的具体细节已经在对应的人脸关键点的检测方法中进行了详细的描述，因此此处不再赘述。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

此外，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。

在本公开的示例性实施例中，还提供了一种能够实现上述方法的电子设备。

所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。

下面参照图8来描述根据本发明的这种实施方式的电子设备500。图8显示的电子设备500仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图8所示，电子设备500以通用计算设备的形式表现。电子设备500的组件可以包括但不限于：上述至少一个处理单元510、上述至少一个存储单元520、连接不同系统组件(包括存储单元520和处理单元510)的总线530。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元510执行，使得所述处理单元510执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元510可以执行如图1中所示的步骤110：获取包含人脸的待标注图像；步骤S120：将所述待标注图像输入至预先训练完成的关键点标注模型，以使所述关键点标注模型输出所述待标注图像对应的热力图、预测关键点坐标以及所述待标注图像中各点位的遮挡置信度；步骤S130，根据所述热力图、所述预测关键点坐标以及所述遮挡置信度，确定所述待标注图像的目标关键点坐标；步骤S140，根据所述目标关键点坐标，对所述待标注图像进行关键点标注。

存储单元520可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)5201和/或高速缓存存储单元5202，还可以进一步包括只读存储单元(ROM)5203。

存储单元520还可以包括具有一组(至少一个)程序模块5205的程序/实用工具5204，这样的程序模块5205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线530可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备500也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备500交互的设备通信，和/或与使得该电子设备500能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口550进行。并且，电子设备500还可以通过网络适配器560与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器560通过总线530与电子设备500的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备500使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。

在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。

参考图9所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品600，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

此外，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

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他实施例。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。

Claims (10)

1.一种人脸关键点的检测方法，其特征在于，包括：

获取包含人脸的待标注图像；

将所述待标注图像输入至预先训练完成的关键点标注模型，以使所述关键点标注模型输出所述待标注图像对应的热力图、预测关键点坐标以及所述待标注图像中各点位的遮挡置信度；

根据所述热力图、所述预测关键点坐标以及所述遮挡置信度，确定所述待标注图像的目标关键点坐标；

根据所述目标关键点坐标，对所述待标注图像进行关键点标注。

2.根据权利要求1所述的检测方法，其特征在于，根据所述热力图、所述预测关键点坐标以及所述遮挡置信度，确定所述待标注图像的目标关键点坐标，包括：

将所述待标注图像中各点位的遮挡置信度与预先设定的遮挡阈值进行比较，确定遮挡置信度小于所述遮挡阈值的待处理点位；

根据所述待处理点位，从所述预测关键点坐标中选取与所述待处理点位相对应的预测关键点坐标作为第一关键点坐标；

根据所述待处理点位，从所述热力图中选取除与所述待处理点位相对应的位置之外的高亮点位的坐标作为第二关键点坐标；

将所述第一关键点坐标与所述第二关键点坐标进行整合，确定所述待标注图像的目标关键点坐标。

3.根据权利要求2所述的检测方法，其特征在于，所述检测方法还包括:

获取遮挡训练样本集合，所述遮挡训练样本集合包括多个遮挡样本图像，所述遮挡样本图像中的人脸包括部分遮挡；

将所述遮挡训练样本集合中的遮挡样本图像输入至所述关键点标注模型中，以使所述关键点标注模型输出所述遮挡样本图像中各点位的遮挡置信度；

根据多个所述遮挡样本图像中各点位的遮挡置信度，确定遮挡阈值。

4.根据权利要求3所述的检测方法，其特征在于，根据多个所述遮挡样本图像中各点位的遮挡置信度，确定遮挡阈值，包括：

从多个所述遮挡样本图像中各点位的遮挡置信度中，选取对应于所述遮挡样本图像中无遮挡位置的点位的遮挡置信度作为待选置信度；

从所述待选置信度中按照从大到小的顺序，选取排列在预定比例位置的遮挡置信度作为遮挡阈值。

5.根据权利要求1所述的检测方法，其特征在于，所述检测方法还包括：

获取训练样本集合，所述训练样本集合中包含多个包含人脸的样本图像，所述样本图像中包含关键点信息；

将所述样本图像输入至待训练的关键点标注模型中，以使所述关键点标注模型输出与所述样本图像对应的热力图、预测关键点坐标以及所述样本图像中各点位的遮挡置信度；

根据所述样本图像对应的热力图、预测关键点坐标以及所述样本图像中各点位的遮挡置信度，确定所述样本图像中的目标关键点坐标；

调整待训练的所述关键点标注模型中的参数，以使所述样本图像中的目标关键点坐标与所述关键点信息相匹配。

6.根据权利要求5所述的检测方法，其特征在于，调整待训练的所述关键点标注模型中的参数，以使所述样本图像中的目标关键点坐标与所述关键点信息相匹配，包括：

将所述训练样本集合输入至不同学习率的待训练的关键点标注模型中，以使各关键点标注模型分别输出训练数据，所述训练数据包括各样本图像对应的热力图、预测关键点坐标以及样本图像中各点位的遮挡置信度；

根据多组所述训练数据进行统计，从多个所述训练数据中识别出目标训练数据；

根据所述目标训练数据对所述样本图像包含的关键点信息进行更新，得到所述样本图像更新后的关键点信息；

调整待训练的所述关键点标注模型中的参数，以使所述目标关键点坐标与所述更新后的关键点信息相匹配。

7.一种人脸关键点的检测装置，其特征在于，包括：

获取模块，用于获取包含人脸的待标注图像；

处理模块，用于将所述待标注图像输入至预先训练完成的关键点标注模型，以使所述关键点标注模型输出所述待标注图像对应的热力图、预测关键点坐标以及所述待标注图像中各点位的遮挡置信度；

确定模块，用于根据所述热力图、所述预测关键点坐标以及所述遮挡置信度，确定所述待标注图像的目标关键点坐标；

标注模块，用于根据所述目标关键点坐标，对所述待标注图像进行关键点标注。

8.根据权利要求7所述的检测装置，其特征在于，所述确定模块包括：

确定单元，用于将所述待标注图像中各点位的遮挡置信度与预先设定的遮挡阈值进行比较，确定遮挡置信度小于所述遮挡阈值的待处理点位；

第一选取单元，用于根据所述待处理点位，从所述预测关键点坐标中选取与所述待处理点位相对应的预测关键点坐标作为第一关键点坐标；

第二选取单元，用于根据所述待处理点位，从所述热力图中选取除与所述待处理点位相对应的位置之外的高亮点位的坐标作为第二关键点坐标；

整合单元，用于将所述第一关键点坐标与所述第二关键点坐标进行整合，确定所述待标注图像的目标关键点坐标。

9.一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，所述计算机程序被处理器执行时实现如权利要求1-6中任一项所述的人脸关键点的检测方法。

10.一种电子设备，其特征在于，包括：

处理器；以及

存储器，其上存储有计算机程序；

其中，所述处理器配置为经由执行所述计算机程序来实现如权利要求1-6中任一项所述的人脸关键点的检测方法。

Images