模型训练方法、人脸识别方法、装置以及计算机存储介质.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN116030517A(43)申请公布日2023.04.28(21)申请号202211678698.3G06V10/82(2022.01)(22)申请日2022.12.26(71)申请人浙江大华技术股份有限公司地址310051浙江省杭州市滨江区滨安路1187号(72)发明人许愿权李亚鹏王宁波郭思郁朱树磊殷俊(74)专利代理机构深圳市威世博知识产权代理事务所(普通合伙)44280专利代理师严翠霞(51)Int.Cl.G06V40/16(2022.01)G06V10/764(2022.01)G06V10/774(2022.01)G06V10/80(2022.01)权利要求书2页说明书10页附图5页(54)发明名称模型训练方法、人脸识别方法、装置以及计算机存储介质(57)摘要本申请提出一种模型训练方法、人脸识别方法、装置以及计算机可读存储介质，所述模型训练方法包括：提取人脸图像的人脸特征；将人脸特征输入待训练模型的热力图输出网络，获取人脸特征的核心关键点热力图；获取核心关键点热力图的人脸关键点偏移坐标；按照核心关键点热力图和真实人脸核心点，获取第一损失值；按照人脸关键点偏移坐标和真实人脸关键点偏移坐标，获取第二损失值；基于第一损失值和所述第二损失值对所述待训练模型进行训练。通过上述方法，使得待训练模型既能有热力图对核心点的准确估计优势，又有使用回归网络回归关键点时能够保留人脸整体结构信息的优势，从而使得待训练模型能够更加准确的估计人脸关键点。CN116030517ACN116030517A权利要求书1/2页1.一种模型训练方法，其特征在于，所述模型训练方法包括：获取待训练的人脸图像，并提取所述人脸图像的人脸特征；将所述人脸特征输入待训练模型的热力图输出网络，获取所述人脸特征的核心关键点热力图；将所述核心关键点热力图输入所述待训练模型的偏移坐标输出网络，获取所述核心关键点热力图的人脸关键点偏移坐标；按照所述核心关键点热力图和真实人脸核心点，获取第一损失值；按照所述人脸关键点偏移坐标和真实人脸关键点偏移坐标，获取第二损失值；基于所述第一损失值和所述第二损失值对所述待训练模型进行训练。2.根据权利要求1所述的模型训练方法，其特征在于，其中，所述核心关键点热力图包括人脸核心点热力图和分类核心图，所述人脸图像内包括若干人脸；所述将所述人脸特征输入待训练模型的热力图输出网络，获取所述人脸特征的核心关键点热力图之后，包括：按照所述分类核心图和真实人脸分类，获取第三损失值；基于第一损失值、第二损失值以及第三损失值对所述待训练模型进行训练。3.根据权利要求1所述的模型训练方法，其特征在于，所述提取所述人脸图像的人脸特征，包括：将所述人脸图像输入到所述待训练模型的特征提取网络，获取所述人脸图像的人脸特征；其中，所述特征提取网络包括第一卷积网络、第二卷积网络以及第三卷积网络，所述第一卷积网络用于提取所述人脸图像的原始尺寸人脸特征，所述第二卷积网络用于提取所述人脸图像的第一下采样尺寸人脸特征，所述第三卷积网络用于提取所述人脸图像的第二下采样尺寸人脸特征，所述特征提取网络输出的人脸特征由所述原始尺寸人脸特征、所述第一下采样尺寸人脸特征以及所述第二下采样尺寸人脸特征融合得到。4.根据权利要求3所述的模型训练方法，其特征在于，所述获取所述人脸图像的人脸特征，包括：在特征提取过程中，将所述原始尺寸人脸特征按照所述第一下采样尺寸人脸特征和所述第二下采样尺寸人脸特征进行下采样，得到第一原始尺寸人脸特征和第二原始尺寸人脸特征；将所述第一原始尺寸人脸特征和所述第一下采样尺寸人脸特征进行融合，得到第一融合人脸特征；将所述第二原始尺寸人脸特征和所述第二下采样尺寸人脸特征进行融合，得到第二融合人脸特征；按照所述原始尺寸人脸特征将所述第一融合人脸特征和所述第二融合人脸特征进行上采样，并与所述原始尺寸人脸特征进行融合，得到所述人脸图像的人脸特征。5.根据权利要求4所述的模型训练方法，其特征在于，所述将所述第二原始尺寸人脸特征和所述第二下采样尺寸人脸特征进行融合，得到第二融合人脸特征，包括：2CN116030517A权利要求书2/2页将所述第一下采样尺寸人脸特征按照所述第二下采样尺寸人脸特征进行下采样，得到第三下采样尺寸人脸特征；将所述第二原始尺寸人脸特征、所述第二下采样尺寸人脸特征和所述第三下采样尺寸人脸特征进行融合，得到所述第二融合人脸特征。6.根据权利要求1所述的模型训练方法，其特征在于，所述热力图输出网络包括叠加的若干沙漏块组成，每一沙漏块包括若干残差模块、下采样模块以及下采样模块。7.一种人脸识别方法，其特征在于，所述人脸识别方法包括：获取人脸图像；将所述人脸图像输入到预先训练好的人脸识别模型中，获取所述人脸识别