人脸检测模型训练方法及装置制造方法及图纸

本发明专利技术涉及人脸检测技术领域，提供一种人脸检测模型训练方法及装置。该方法包括：利用特征提取网络提取训练图像的特征图并确定训练样本；取i为1至M，将特征图输入至第i个人脸检测网络，获得训练样本对应的预测框以位置及预测框中存在人脸的概率；根据训练样本的分类标签计算第i个人脸检测网络的损失；在i小于M时，根据预测框与训练样本对应的真实框之间的位置关系，确定在计算第i+1个人脸检测网络的损失时训练样本的分类标签；在i为M时，获得M个人脸检测网络的总损失并更新人脸检测模型的参数；继续训练人脸检测模型直至满足训练结束条件。该方法训练出的人脸检测模型的人脸检测精度优于现有的单阶段人脸检测模型。

【技术实现步骤摘要】
人脸检测模型训练方法及装置
本专利技术涉及人脸检测
，具体而言，涉及一种人脸检测模型训练方法及装置。
技术介绍
人脸检测是面部分析算法的基石，在人脸对齐、人脸建模、人脸重新照明、人脸识别、人脸美妆、人脸AR、人脸验证/认证、头部姿态跟踪、面部表情跟踪/识别、性别/年龄识别等任务中具有应用。人脸检测的目标是，给定任意图像，确定图像中是否存在人脸，如果存在，返回每个人脸在图像中的位置，通常用预测框表示(左上角坐标、长、宽)。现有的人脸检测方法大体上可以分为单阶段检测和两阶段检测两种。其中，单阶段检测方法能够直接在图像上输出人脸的预测框，检测效率较高，因而在工业界应用更加广泛。然而，目前的单阶段检测方法中所使用的模型预测精度较低。
技术实现思路
有鉴于此，本专利技术实施例提供一种人脸检测模型训练方法及装置，训练一种级联结构的人脸检测模型，以改善人脸检测的精度。为实现上述目的，本专利技术提供如下技术方案：第一方面，本专利技术实施例提供一种人脸检测模型训练方法，人脸检测模型包括特征提取网络以及M个人脸检测网络，其中，M为大于或等于2的整数，方法包括：利用特征提取网络提取训练图像的特征图，并基本文档来自技高网...

【技术保护点】
1.一种人脸检测模型训练方法，其特征在于，所述人脸检测模型包括特征提取网络以及M个人脸检测网络，其中，M为大于或等于2的整数，所述方法包括：利用所述特征提取网络提取训练图像的特征图，并将所述特征图中的每个特征点处的基准框确定为训练样本；取i为1至M，将所述特征图输入至第i个人脸检测网络，利用所述第i个人脸检测网络预测获得所述训练样本在所述训练图像中对应的预测框位置以及所述预测框中存在人脸的概率；根据所述训练样本的分类标签计算所述第i个人脸检测网络在预测后产生的损失；在i小于M时，根据所述预测框与所述训练样本在所述训练图像中对应的真实框之间的位置关系，确定在计算第i+1个人脸检测网络预测后产生的...

【技术特征摘要】
1.一种人脸检测模型训练方法，其特征在于，所述人脸检测模型包括特征提取网络以及M个人脸检测网络，其中，M为大于或等于2的整数，所述方法包括：利用所述特征提取网络提取训练图像的特征图，并将所述特征图中的每个特征点处的基准框确定为训练样本；取i为1至M，将所述特征图输入至第i个人脸检测网络，利用所述第i个人脸检测网络预测获得所述训练样本在所述训练图像中对应的预测框位置以及所述预测框中存在人脸的概率；根据所述训练样本的分类标签计算所述第i个人脸检测网络在预测后产生的损失；在i小于M时，根据所述预测框与所述训练样本在所述训练图像中对应的真实框之间的位置关系，确定在计算第i+1个人脸检测网络预测后产生的损失时所述训练样本应当使用的分类标签；在i为M时，获得将所述M个人脸检测网络的损失累加后得到的总损失，基于所述总损失更新所述人脸检测模型的参数；获取新的训练图像继续训练所述人脸检测模型，直至满足训练结束条件。2.根据权利要求1所述的人脸检测模型训练方法，其特征在于，所述利用所述第i个人脸检测网络预测获得每个训练样本在所述训练图像中对应的预测框位置以及所述预测框中存在人脸的概率，包括：利用所述第i个人脸检测网络的回归分支预测获得每个训练样本在所述训练图像中对应的预测框位置，以及利用所述第i个人脸检测网络的分类分支预测获得所述预测框中存在人脸的概率。3.根据权利要求2所述的人脸检测模型训练方法，其特征在于，所述根据所述训练样本的分类标签计算所述第i个人脸检测网络在预测后产生的损失，包括：若所述分类标签为正样本，基于所述预测框与所述真实框计算所述回归分支在预测后产生的回归损失，以及基于所述预测框中存在人脸的概率与所述分类标签计算所述分类分支在预测后产生的分类损失，并将所述回归损失与所述分类损失的加权和确定为所述第i个人脸检测网络在预测后产生的损失；若所述分类标签为负样本，基于所述预测框中存在人脸的概率与所述分类标签计算所述分类分支在预测后产生的分类损失，并将所述分类损失确定为所述第i个人脸检测网络在预测后产生的损失。4.根据权利要求3所述的人脸检测模型训练方法，其特征在于，所述根据所述训练样本的分类标签计算所述第i个人脸检测网络在预测后产生的损失，还包括：若所述分类标签为忽略样本，不计算所述第i个人脸检测网络在预测后产生的损失。5.根据权利要求4所述的人脸检测模型训练方法，其特征在于，所述根据所述预测框与所述训练样本在所述训练图像中对应的真实框之间的位置关系，确定在计算第i+1个人脸检测网络预测后产生的损失时所述训练样本应当使用的分类标签，包括：计算所述预测框与所述真实框之间的交并比；若所述交并比不小于阈值t1i，将在计算第i+1个人脸检测网络预测后产生的损失时所述训练样本应当使用的分类标签确定为所述正样本；若所述交并比不大于阈值t2i，将在计算第i+1个人脸检测网络预测后产生的损失时所述训练样本应当使用的分类标签确定为所述负样本；若所述交并比小于所述阈值t1i且大于所述阈值t2i，将在计算第i+1个人脸检测网络...

【专利技术属性】
技术研发人员：王剑锋，李作新，俞刚，袁野，
申请(专利权)人：北京旷视科技有限公司，
类型：发明
国别省市：北京,11