买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉中国人民解放军国防科技大学申请的专利基于生成网络生成数据进行复杂环境人脸关键点检测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN117690171B 。

龙图腾网通过国家知识产权局官网在2026-03-31发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202311296926.5，技术领域涉及：G06V40/16；该发明授权基于生成网络生成数据进行复杂环境人脸关键点检测方法是由高皓琪;杨星;许颢砾;王阳阳;穆华;梁振宇;左磊;王秉文;胡书隆;瞿斌;万语科设计研发完成，并于2023-10-09向国家知识产权局提交的专利申请。

本基于生成网络生成数据进行复杂环境人脸关键点检测方法在说明书摘要公布了：本发明提供基于生成网络生成的数据进行复杂环境人脸关键点检测的方法，包括：利用FaceGen模型中自定义不同的人脸属性参数设置获取相应的三维合成人脸纹理结构信息文件，进而通过三维重建构建不同角度和遮挡条件下的二维合成图像数据集，并统一裁剪成固定大小；对于真实数据集，利用基于优化后的DeepLab分割算法去除复杂背景干扰；借助基于UGATIT优化后的转换模型S→R，把模型获取的合成人脸数据集转换为具有真实人脸特征信息的仿真合成图像数据集；利用去除复杂背景干扰的真实数据集和经过S→R模型转换后的仿真合成图像数据集之和作为模型训练数据集，对改进的Hourglass人脸关键点检测模型进行训练。

本发明授权基于生成网络生成数据进行复杂环境人脸关键点检测方法在权利要求书中公布了：1.一种基于生成网络生成的数据进行复杂环境人脸关键点检测的方法，其特征在于，该方法包括如下步骤： 步骤1，利用FaceGenModeller模型中自定义不同的人脸属性参数设置获取相应的三维合成人脸纹理结构信息文件，进而通过三维重建构建不同角度和遮挡条件下的二维合成人脸图像数据集，并统一裁剪成固定大小； 步骤2，对于真实人脸图像数据集，利用优化后的DeepLab分割算法去除复杂背景干扰； 步骤3，借助基于UGATIT生成网络结构优化后的转换模型S→R，把步骤1获取的二维合成人脸图像数据集转换为具有真实人脸特征信息的仿真合成人脸图像数据集； 步骤4，利用经过步骤2获取的去除复杂背景干扰的真实人脸图像数据集和经过步骤3获取的仿真合成人脸图像数据集作为模型训练数据集，对改进的Hourglass人脸关键点检测模型进行训练； 步骤2中，基于优化的DeepLab分割算法去除背景干扰具体为：图像在特征编码阶段进行特征提取分别生成深层特征和浅层特征，深层特征通过空洞卷积网络来控制输出特征图的分辨率，使网络有不同特征的感受野，之后利用卷积层进行通道数调节；在特征解码阶段，将主干特征提取网络生成的浅层特征和经过特征编码的输出特征变换成相同的形状进行特征融合然后进行上采样逐步恢复空间信息； 步骤3中，基于UGATIT生成网络结构优化后的转换模型S→R包含两个生成器,模型和两个判别器,模型，将步骤2中得到的去除复杂背景干扰后的真实人脸图像数据和步骤1中得到的合成人脸图像数据作为输入； 生成器,模型在其编码器前和解码器后采用了两个沙漏模块，在其编码器中的特征提取ResNet模块中加入了注意力机制SE,在其编码器和解码器之间，引入类激活图CAM； 生成器,模型中，解码器的设计与编码器对称； 在生成器和判别器的每一层都加入自适应层实例归一化Soft-AdaLIN对特征图进行归一化和调整； 判别器,的设计采用全局判别器和局部判别器的组合； 步骤4中，对Hourglass人脸关键点检测模型的改进具体为：在Hourglass模型的基础上，加入了采用注意力机制优化的残差块以缩减图像数据的维度，存储关于图像的重要信息；后面直接串联多个Hourglass以利用特征之间的互补性；采用注意力机制优化的残差块的输出由如下公式获得： 其中，表示该残差块的输出，为特定的输入部分，为权重，为对输入进行提取并变换特征的函数； Hourglass人脸关键点检测模型的损失函数L为： 其中，和分别代表在像素位置处的预测热图和地面实况热图；是关键点的数量。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人中国人民解放军国防科技大学，其通讯地址为：410073 湖南省长沙市开福区德雅路109号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。