多任务学习深度网络的测试方法、设备及存储介质技术

本发明专利技术实施例公开了多任务学习深度网络的检测方法、设备及存储介质。本发明专利技术实施例通过将待测图像输入二级级联卷积神经网络，输出所述待测图像中包含的第一待测人脸区域；将所述第一待测人脸区域输入多任务学习深度网络，从所述第一待测人脸区域中选择满足预设条件的第二待测人脸区域，输出对所述第二待测人脸区域进行人脸检测、特征点定位、特征点可见性预测以及性别识别的检测结果。本实施例利用二级级联卷积神经网络选择出待测图像中的待测人脸，进而提高多任务学习深度网络对人脸区域的识别精度，进而提高多任务学习深度网络中每个任务的检测精度。

【技术实现步骤摘要】
多任务学习深度网络的测试方法、设备及存储介质
本专利技术实施例涉及生物识别领域，特别是涉及多任务学习网络的测试方法、训练设备及存储介质。
技术介绍
人脸识别是计算机视觉课题中的重要问题，其中相对重要的几个方面为人脸检测、面部特征点识别、面部特征点定位等。许多视觉任务依赖于准确的面部特征点定位结构，比如面部识别、面部表情分析以及面部动画等。虽然在近年来被广泛的研究使用，并取得了一定程度的成功，但由于部分遮挡、光照、较大程度的头部旋转以及夸张的表情变化等因素，导致人脸图像的复杂性和多样性，面部特征点定位仍然面临诸多问题和挑战。在现有技术中，面部特征点定位的方法大致可以分为两类：传统方法和基于深度学习的方法。典型的传统方法包括基于模型的方法和基于回归的方法；基于模型的方法在给定平均初始形状的情况下学习形状增量，如主动形状模型(ActiveShapeMode，ASM)和主动外观模型(activeappearancemodel，AAM)，采用统计模型如主成分分析(PrincipalComponentAnalysis，PCA)来分别捕获形状和外观变化；然而，由于单一的线性模型很难刻画现实场景数据本文档来自技高网...

【技术保护点】
1.一种多任务学习深度网络的测试方法，其特征在于，包括：将待测图像输入二级级联卷积神经网络，输出所述待测图像中包含的第一待测人脸区域；将所述第一待测人脸区域输入多任务学习深度网络，从所述第一待测人脸区域中选择满足预设条件的第二待测人脸区域，输出对所述第二待测人脸区域进行人脸检测、特征点定位、特征点可见性预测以及性别识别的检测结果。

【技术特征摘要】
1.一种多任务学习深度网络的测试方法，其特征在于，包括：将待测图像输入二级级联卷积神经网络，输出所述待测图像中包含的第一待测人脸区域；将所述第一待测人脸区域输入多任务学习深度网络，从所述第一待测人脸区域中选择满足预设条件的第二待测人脸区域，输出对所述第二待测人脸区域进行人脸检测、特征点定位、特征点可见性预测以及性别识别的检测结果。2.根据权利要求1所述的测试方法，其特征在于，所述将待测图像输入二级级联卷积神经网络，输出所述待测图像中包含的第一待测人脸区域的步骤，包括：将所述待测图像输入所述二级级联卷积神经网络的第一级神经网络，输出分别标记为人脸区域和非人脸区域的若干个候选检测窗口；将所述若干个候选检测窗口输入所述二级级联卷积神经网络中的第二级神经网络，通过所述第二级神经网络丢弃所述标记为非人脸区域的候选检测窗口，并对所述标记为人脸区域的候选检测窗口进行边界框回归处理，输出边界框回归处理后的第一候选人脸区域，将所述第一候选人脸区域作为所述第一待测人脸区域。3.根据权利要求2所述的测试方法，其特征在于，所述将所述待测图像输入所述二级级联卷积神经网络的第一级神经网络，输出分别标记为人脸区域和非人脸区域的若干个候选检测窗口的步骤之后，还包括：输出边界框回归向量，用于所述第二级神经网络对所述标记为人脸区域的若干个候选检测窗口进行边界框回归处理。4.根据权利要求1所述的测试方法，其特征在于，在所述输出所述待测图像中包含的第一待测人脸区域的步骤之后，还包括：将所述第一待测人脸区域中重叠度高于预设重叠度第一待测人脸区域进行合并，得到合并后的最终待测人脸区域；所述将所述第一待测人脸区域输入多任务学习深度网络中的步骤，包括：将所述最终待测人脸区域输入多任务学习深度网络中。5.根据权利要求1所的测试方法，其特征在于，所述二级级联卷积神经网络的第...

【专利技术属性】
技术研发人员：李千目，练智超，侯君，朱虹，李良，宋佳，
申请(专利权)人：深圳市博威创盛科技有限公司，
类型：发明
国别省市：广东,44