人脸检测方法及装置制造方法及图纸

本发明专利技术实施例提供一种人脸检测方法及装置。该方法包括：获得监控设备拍摄的场景图像数据，并将场景图像数据存储到该监控设备对应的场景图像数据库中，场景图像数据包括监控设备拍摄的多帧图像；基于场景图像数据库中的场景图像数据对第一深度学习网络模型进行训练，得到训练后的网络优化参数；将网络优化参数发送给监控设备，以便监控设备基于网络优化参数对第一深度学习网络模型进行网络参数更新，从而基于更新后的第一深度学习网络模型进行人脸检测。由此，在大规模的区域布控中，监控设备能够根据所处场景自动更新用于人脸检测的网络参数，获得广泛的场景适应性，从而提高人脸检测准确率，同时减少网络传输带宽，提高服务器的并发处理能力。

Face Detection Method and Device

【技术实现步骤摘要】
人脸检测方法及装置
本专利技术涉及人脸检测
，具体而言，涉及一种人脸检测方法及装置。
技术介绍
近年来，随着深度学习技术的发展，深度学习方法在各个领域都得到了广泛的应用，人脸抓拍监控设备便是其中之一。深度学习使得普通的监控设备具备了更高指标的“检测”、“抓拍”人脸的功能，并能够将抓拍提取的人脸结构化信息通过网络传输到服务器上，在区域大规模布控监控摄像头的应用场景下，大大降低了网络传输带宽的压力，极大减轻了人工排查被监控人员的工作量。然而，基于深度学习的人脸检测技术想要获得更高的人脸检测率，前提是要有丰富的训练样本量，也即样本量越大，样本场景越丰富，人脸检测的场景适应性就越强，但是代价是需要的参数量也越大，需要消耗更大的计算能力。然而，在实际应用中，由于监控设备往往安装于各种各样不同的场景中，因此需要大量的样本才能在人脸识别技术上获得广泛的适应性，但是监控设备的体积、功耗、成本限定了其有限的计算性能。
技术实现思路
为了克服现有技术中的上述不足，本专利技术的目的在于提供一种人脸检测方法及装置，在大规模的区域布控中，监控设备能够根据所处场景，在不影响计算性能的情况下自动更新用于人脸检测的网络参数，获得广泛的场景适应性，从而提高人脸检测准确率。为了实现上述目的，本专利技术较佳实施例采用的技术方案如下：本专利技术较佳实施例提供一种人脸检测方法，应用于与至少一个监控设备通信连接的服务器，所述监控设备和所述服务器中均存储有相同的第一深度学习网络模型，所述方法包括：获得所述监控设备拍摄的场景图像数据，并将所述场景图像数据存储到该监控设备对应的场景图像数据库中，所述场景图像数据包括所述监控设备拍摄的多帧图像；基于所述场景图像数据库中的场景图像数据对所述第一深度学习网络模型进行训练，得到训练后的网络优化参数；将所述网络优化参数发送给所述监控设备，以便所述监控设备基于所述网络优化参数对所述第一深度学习网络模型进行网络参数更新，从而基于更新后的第一深度学习网络模型进行人脸检测。在本专利技术较佳实施例中，在所述获得所述监控设备拍摄的场景图像数据的步骤之前，所述方法还包括：针对每个监控设备，为该监控设备建立对应的场景图像数据库。在本专利技术较佳实施例中，在所述获得所述监控设备拍摄的场景图像数据的步骤之前，所述方法还包括：基于初始图像样本对所述第一深度学习网络模型进行训练，得到对应的初始网络参数；将所述初始网络参数发送给所述监控设备，以便所述监控设备将所述初始网络参数加载到所述第一深度学习网络模型中。在本专利技术较佳实施例中，在所述将所述网络优化参数发送给所述监控设备的步骤之后，所述方法还包括：将网络优化参数进行存储；在下一次所述监控设备网络参数更新之前，基于所述网络优化参数对所述监控设备的网络参数进行参数校验，判断所述监控设备的网络参数是否为更新后的网络参数；若否，则重新将所述网络优化参数发送给所述监控设备。在本专利技术较佳实施例中，所述服务器中还配置有用于人脸检测的第二深度学习网络模型，所述基于所述场景图像数据库中的场景图像数据对所述第一深度学习网络模型进行训练，得到训练后的网络优化参数的步骤，包括：判断所述场景图像数据是否达到预定数据量；若是，则对所述场景图像数据进行筛选，得到具有人脸信息的第一样本集和不具有人脸信息的第二样本集；将所述第一样本集输入到所述第二深度学习网络模型中，得到标定有第一人脸坐标信息的第三样本集；将所述第二样本集和所述第三样本集对所述第一深度学习网络模型进行训练，得到训练后的网络优化参数。在本专利技术较佳实施例中，所述对所述场景图像数据进行筛选，得到具有人脸信息的第一样本集和不具有人脸信息的第二样本集的步骤，包括：利用帧间差分法判断场景图像数据中的每帧图像是否存在运动目标；根据判断结果将所有存在运动目标的图像作为具有人脸信息的第一样本集，并将所有不存在运动目标的图像作为不具有人脸信息的第二样本集。在本专利技术较佳实施例中，所述将所述第二样本集和所述第三样本集对所述第一深度学习网络模型进行训练，得到训练后的网络优化参数的步骤，包括：将所述第二样本集和所述第三样本集输入到所述第一深度学习网络模型中进行正向链式运算后得到第一输出结果；将所述第一输出结果输入到所述第一深度学习网络模型中进行反向链式运算后得到第二输出结果，所述第二输出结果包括所述第三样本集中每张图像的第二人脸坐标信息；对所述第一人脸坐标信息与所述第二人脸坐标信息进行误差计算，得到误差计算结果；根据误差计算结果调整所述第一深度学习网络模型的网络参数，直到所述误差计算结果处于预定误差范围内时，得到训练后的网络优化参数。在本专利技术较佳实施例中，上述根据误差计算结果调整所述第一深度学习网络模型的网络参数，到所述误差计算结果处于预定误差范围内时，得到训练后的网络优化参数的方式，包括：根据所述误差计算结果调整所述第一深度学习网络模型中目标网络层的网络参数，直到所述误差计算结果处于预定误差范围内时，得到训练后的目标网络层的网络优化参数，其中，所述目标网络层为所述第一深度学习网络模型中的至少部分网络层。本专利技术较佳实施例还提供一种人脸检测方法，应用于与服务器通信连接的监控设备，所述监控设备和所述服务器中均存储有相同的第一深度学习网络模型，所述方法包括：将拍摄的场景图像数据发送给所述服务器，以便所述服务器在获得所述监控设备拍摄的场景图像数据后将所述场景图像数据存储到该监控设备对应的场景图像数据库中，所述场景图像数据包括所述监控设备拍摄的多帧图像；接收所述服务器基于所述场景图像数据库中的场景图像数据对所述第一深度学习网络模型进行训练后得到的网络优化参数；基于所述网络优化参数对所述第一深度学习网络模型进行网络参数更新，从而基于更新后的第一深度学习网络模型进行人脸检测。本专利技术较佳实施例还提供一种人脸检测装置，应用于与至少一个监控设备通信连接的服务器，所述监控设备和所述服务器中均存储有相同的第一深度学习网络模型，所述装置包括：获得模块，用于获得所述监控设备拍摄的场景图像数据，并将所述场景图像数据存储到该监控设备对应的场景图像数据库中，所述场景图像数据包括所述监控设备拍摄的多帧图像。训练模块，用于基于所述场景图像数据库中的场景图像数据对所述第一深度学习网络模型进行训练，得到训练后的网络优化参数。第一发送模块，用于将所述网络优化参数发送给所述监控设备，以便所述监控设备基于所述网络优化参数对所述第一深度学习网络模型进行网络参数更新，从而基于更新后的第一深度学习网络模型进行人脸检测。本专利技术较佳实施例还提供一种人脸检测装置，应用于与服务器通信连接的监控设备，所述监控设备和所述服务器中均存储有相同的第一深度学习网络模型，所述装置包括：第二发送模块，用于将拍摄的场景图像数据发送给所述服务器，以便所述服务器在获得所述监控设备拍摄的场景图像数据后将所述场景图像数据存储到该监控设备对应的场景图像数据库中，所述场景图像数据包括所述监控设备拍摄的多帧图像。接收模块，用于接收所述服务器基于所述场景图像数据库中的场景图像数据对所述第一深度学习网络模型进行训练后得到的网络优化参数。更新模块，用于基于所述网络优化参数对所述第一深度学习网络模型进行网络参数更新，从而基于更新后的第一深度学习网络模型进行人脸检测。本专利技术较佳实施例还提本文档来自技高网...

【技术保护点】
1.一种人脸检测方法，其特征在于，应用于与至少一个监控设备通信连接的服务器，所述监控设备和所述服务器中均存储有相同的第一深度学习网络模型，所述方法包括：获得所述监控设备拍摄的场景图像数据，并将所述场景图像数据存储到该监控设备对应的场景图像数据库中，所述场景图像数据包括所述监控设备拍摄的多帧图像；基于所述场景图像数据库中的场景图像数据对所述第一深度学习网络模型进行训练，得到训练后的网络优化参数；将所述网络优化参数发送给所述监控设备，以便所述监控设备基于所述网络优化参数对所述第一深度学习网络模型进行网络参数更新，从而基于更新后的第一深度学习网络模型进行人脸检测。

【技术特征摘要】
1.一种人脸检测方法，其特征在于，应用于与至少一个监控设备通信连接的服务器，所述监控设备和所述服务器中均存储有相同的第一深度学习网络模型，所述方法包括：获得所述监控设备拍摄的场景图像数据，并将所述场景图像数据存储到该监控设备对应的场景图像数据库中，所述场景图像数据包括所述监控设备拍摄的多帧图像；基于所述场景图像数据库中的场景图像数据对所述第一深度学习网络模型进行训练，得到训练后的网络优化参数；将所述网络优化参数发送给所述监控设备，以便所述监控设备基于所述网络优化参数对所述第一深度学习网络模型进行网络参数更新，从而基于更新后的第一深度学习网络模型进行人脸检测。2.根据权利要求1所述的人脸检测方法，其特征在于，在所述获得所述监控设备拍摄的场景图像数据的步骤之前，所述方法还包括：针对每个监控设备，为该监控设备建立对应的场景图像数据库。3.根据权利要求1所述的人脸检测方法，其特征在于，在所述获得所述监控设备拍摄的场景图像数据的步骤之前，所述方法还包括：基于初始图像样本对所述第一深度学习网络模型进行训练，得到对应的初始网络参数；将所述初始网络参数发送给所述监控设备，以便所述监控设备将所述初始网络参数加载到所述第一深度学习网络模型中。4.根据权利要求1所述的人脸检测方法，其特征在于，在所述将所述网络优化参数发送给所述监控设备的步骤之后，所述方法还包括：将网络优化参数进行存储；在下一次所述监控设备网络参数更新之前，基于所述网络优化参数对所述监控设备的网络参数进行参数校验，判断所述监控设备的网络参数是否为更新后的网络参数；若否，则重新将所述网络优化参数发送给所述监控设备。5.根据权利要求1所述的人脸检测方法，其特征在于，所述服务器中还配置有用于人脸检测的第二深度学习网络模型，所述基于所述场景图像数据库中的场景图像数据对所述第一深度学习网络模型进行训练，得到训练后的网络优化参数的步骤，包括：判断所述场景图像数据是否达到预定数据量；若是，则对所述场景图像数据进行筛选，得到具有人脸信息的第一样本集和不具有人脸信息的第二样本集；将所述第一样本集输入到所述第二深度学习网络模型中，得到标定有第一人脸坐标信息的第三样本集；将所述第二样本集和所述第三样本集对所述第一深度学习网络模型进行训练，得到训练后的网络优化参数。6.根据权利要求5所述的人脸检测方法，其特征在于，所述对所述场景图像数据进行筛选，得到具有人脸信息的第一样本集和不具有人脸信息的第二样本集的步骤，包括：利用帧间差分法判断场景图像数据中的每帧图像是否存在运动目标；根据判断结果将所有存在运动目标的图像作为具有人脸信息的第一样本集，并将所有不存在运动目标的图像作为不具有人脸信息的第二样本集。7.根据权利要求5所述的人脸检测方法，其特征在于，所述将所述第二样本集和所述第三样本集对所述第一深度学习网络模型进行训练，得到训练后的网络优化参数的步骤，包括：将所述第二样本集和所述第三样本集输入到所述第一深度学习网络模型中进行正向链式运算后得到第一输出结果；将所述第一输出结果输入到所述第一深度学习网络模型中进行反向链式运算后得到第二输出结果，所述第二输出结果包括所述第三样本集中每张图像的第二人脸坐标信息；对所述第一人脸坐标信息与所述第二人脸坐标信息进行误差计算，得到误差计算结果；根据误差计算结果调整所述第一深度学习网络模型的网络参数，直到所述误差计算结果处于预定误差范围内时，得到训练后的网络优化参数。8.根...

【专利技术属性】
技术研发人员：樊晓清，
申请(专利权)人：浙江宇视科技有限公司，
类型：发明
国别省市：浙江,33