人脸检测方法及装置、计算机可读存储介质、设备制造方法及图纸

本发明专利技术涉及人脸识别领域，具体涉及一种人脸检测方法及装置、计算机可读存储介质、设备，旨在解决人脸检测方法在保持高精度的前提下不能实现CPU实时检测速度的问题。为此目的，本发明专利技术的人脸检测方法包括利用预设的人脸检测模型，获取待检测图像的检测结果框；对该检测结果框，获取满足预设筛选条件的最终检测结果框；其中，人脸检测模型包括级联的第一级卷积子网络和第二级卷积子网络，该方法还在第二级卷积子网络中关联锚点框，并优化不同尺度的锚点框在待检测图像上的铺设间隔。同时，本发明专利技术提供的人脸检测装置、计算机可读存储介质和设备可以执行上述方法的各步骤。本发明专利技术的技术方案可以在保持高精度的前提下具备CPU实时的检测速度，适应范围广。

【技术实现步骤摘要】
人脸检测方法及装置、计算机可读存储介质、设备
本专利技术涉及人脸识别领域，具体涉及一种人脸检测方法及装置、计算机可读存储介质、设备。
技术介绍
人脸识别，是基于人的脸部特征信息进行身份识别的一种生物识别技术，随着人机交互技术的应用日益广泛，在人机交互领域中，人脸识别技术具有非常重要的意义。人脸检测旨在定位并识别图像中的人脸，是人脸识别系统中一个重要环节，在基于内容的检索、数字视频处理、视频检测等方面有着重要的应用价值，对于大部分的人脸应用，都首选需要对人脸进行精确的检测。目前，在面对真实世界的复杂场景时，人脸检测方法一方面需要有高精度以应对人脸外观的复杂变化，另一方面需要有高效率以应对人脸在尺度和位置上的巨大搜索空间。通过对现有人脸检测技术的分析，发现当前的基于深度学习的人脸检测方法能够满足高精度的要求，但是为了实现高精度这一要求，计算代价巨大，CPU检测速度较慢，效率低下，所以目前的人脸检测技术在高精度和高效率两方面不能两全。因此，如何解决基于深度学习的人脸检测方法在保持高精度的前提下实现CPU实时检测速度的问题，是人脸识别领域中存在的巨大挑战。
技术实现思路
为了解决现有技术中的上述本文档来自技高网...

【技术保护点】
一种人脸检测方法，其特征在于，所述人脸检测方法包括：利用预设的人脸检测模型，获取待检测图像的检测结果框；对所获取的检测结果框，获取满足预设筛选条件的最终检测结果框；其中，所述人脸检测模型为依据深度卷积神经网络构建的检测模型，具体步骤包括：构建级联的第一级卷积子网络和第二级卷积子网络；在所述第二级卷积子网络中关联锚点框，并优化不同尺度的锚点框在待检测图像上的铺设间隔；依据预设的训练图像，对该深度卷积神经网络进行网络训练，得到满足预设的收敛条件的人脸检测模型。

【技术特征摘要】
1.一种人脸检测方法，其特征在于，所述人脸检测方法包括：利用预设的人脸检测模型，获取待检测图像的检测结果框；对所获取的检测结果框，获取满足预设筛选条件的最终检测结果框；其中，所述人脸检测模型为依据深度卷积神经网络构建的检测模型，具体步骤包括：构建级联的第一级卷积子网络和第二级卷积子网络；在所述第二级卷积子网络中关联锚点框，并优化不同尺度的锚点框在待检测图像上的铺设间隔；依据预设的训练图像，对该深度卷积神经网络进行网络训练，得到满足预设的收敛条件的人脸检测模型。2.根据权利要求1所述的人脸检测方法，其特征在于，所述第一级卷积子网络包括依次连接的第一卷积层、第一池化层、第二卷积层和第二池化层；其中，所述第一卷积层、第一池化层、第二卷积层和第二池化层的卷积间隔分别为4、2、2和2；所述第一卷积层、第一池化层、第二卷积层和第二池化层的卷积核分别为7×7×24、3×3×48、5×5×64、3×3×128；所述第一级卷积子网络的第一卷积层和第二卷积层的激活函数为CReLU激活函数；所述第二级卷积子网络包括依次连接的第一Inception模块、第二Inception模块、第三Inception模块、第三卷积层、第四卷积层、第五卷积层和第六卷积层；其中，所述第一Inception模块与所述第一级卷积子网络的第二池化层连接，所述第三Inception模块、第四卷积层和第六卷积层分别关联锚点框。3.根据权利要求1所述的人脸检测方法，其特征在于，“优化不同尺度的锚点框在待检测图像上的铺设间隔”的步骤具体包括：按照下式所示的方法调整不同尺度的锚点框在待检测图像上的铺设间隔Ainterval：Ainterval＝Ascale/Adensity其中，所述Ascale为锚点框的边长，所述Adensity为预设的铺设密度。4.根据权利要求1所述的人脸检测方法，其特征在于，“依据预设的训练图像，对该深度卷积神经网络进行网络训练”的步骤具体包括：对所述预设的训练图像进行数据增广处理，得到训练样本；对锚点框与所述训练样本中的人脸标注框进行匹配，并依据匹配结果将锚点框划分为正样本和负样本；所述正样本为与人脸标注框匹配的锚点框，所述负样本为与人脸标注框未匹配的锚点框；采用困难负样本挖掘方法选取预设的第一数量的负样本；依据所述正样本与所选取的负样本计算损失函数值，并依据损失函数值更新所述深度卷积神经网络；对更新后的深度卷积神经网络重新进行网络训练，直至其满足预设的收敛条件；其中：所述对锚点框与训练样本中的人脸标注框进行匹配，包括：计算各锚点框与各人脸标注框的交除并重叠比；选取与各人脸标注框的交除并重叠比最大的锚点框，并将所选取的各锚点框与各对应的人脸标注框进行匹配；判断去除所选取的锚点框之后，剩余的各锚点框与各人脸标注框的交除并重叠比是否大于预设的第一阈值：若大于则进行匹配；获取锚点框匹配数量小于预设的第二数量的人脸标注框，并选取与所述人脸标注框的交除并重叠比大于预设的第二阈值的所有锚点框；所述预设的第一阈值大于预设的第二阈值；按照所选取的所有锚点框的交除并重叠比由大到小的顺序，选取预设的第三数量的锚点框与对应的人脸标注框进行匹配；所述预设的第三数量的取值为锚点框匹配数量大于或等于预设的第二数量的人脸标注框的锚点框平均匹配数量。5.一种人脸检测装置，其特征在于，所述装置包括：检测结果框获取模块，配置为利用预设的人脸检测模型，获取待检测图像的第一组检测结果框；检测结果框筛选模块，配置为对所获取的第一组检测结果框，获取满足预设筛选条件的最终检测结果框；所述装置还包括人脸检测模型构建模块；所述人脸检测模型构建模块，配置为依据深度卷积神经网络构建的...

【专利技术属性】
技术研发人员：张士峰，朱翔昱，雷震，李子青，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：北京,11