人脸检测模型的训练方法、装置、电子设备及存储介质制造方法及图纸

本公开是关于一种人脸检测模型的训练方法、装置、电子设备及存储介质，涉及图像处理技术领域，用以解决相关技术中的人脸检测模型对小尺度人脸的检测效果较差的问题，本公开方法包括：根据人脸检测模型中各个特征层对应的锚点，确定各个特征层所检测的正样本像素范围；根据各个特征层之间负样本的数量的比例，从人脸检测数据集的训练图像中确定各个特征层对应的目标训练图像，其中特征层对应的目标训练图像为人脸尺度在特征层所检测的正样本像素范围内的训练图像；采用各个特征层对应的目标训练图像对人脸检测模型进行训练，由于本公开实施例基于负样本的数量之间的比例确定各个特征层对应的目标训练图像，增强了对小尺度人脸的检测效果。

Training method, device, electronic equipment and storage medium of face detection model

The disclosure relates to a training method, device, electronic device and storage medium of face detection model, which relates to the field of image processing technology, and is used to solve the problem that the face detection model in related technology has poor detection effect on small-scale face. The disclosure method includes: according to the anchor points corresponding to each feature layer in the face detection model, the anchor points detected by each feature layer are determined Positive sample pixel range: according to the proportion of the number of negative samples between each feature layer, the target training image corresponding to each feature layer is determined from the training image of face detection data set, wherein the target training image corresponding to the feature layer is the training image within the range of positive sample pixel detected by the feature layer; the target training image pair corresponding to each feature layer is adopted The face detection model is trained. Since the embodiment of the present disclosure determines the target training image corresponding to each feature layer based on the proportion between the number of negative samples, the detection effect of small-scale face is enhanced.

【技术实现步骤摘要】
人脸检测模型的训练方法、装置、电子设备及存储介质
本公开涉及图像处理
，尤其涉及一种人脸检测模型的训练方法、装置、电子设备及存储介质。
技术介绍
人脸检测是所有人脸相关任务的第一个步骤，检测出人脸后，才能进行人脸识别、人脸属性分析、人脸关键点提取。其主要任务是判断给定的人脸图像上是否存在人脸，如果存在人脸，则给出人脸所处的位置和大小。相对于通用物体，人脸的尺度变化更加大，对于一个640x640的图片来说，人脸的像素大小从10～640的区间内变化。在人脸检测领域，对小尺度人脸的检测是个很难的问题，小尺度人脸检测器的学习需要大量的小尺度人脸数据，但同时也不能降低普通人脸或大尺度人脸的检测效果。相关技术中的人脸检测模型可以检测不同尺度的人脸，但是对小尺度人脸的检测效果较差。
技术实现思路
本公开提供一种人脸检测模型的训练方法、装置、电子设备及存储介质，以至少解决相关技术中的人脸检测模型对小尺度人脸的检测效果较差的问题。本公开的技术方案如下：根据人脸检测模型中各个特征层对应的锚点，确定所述各个特征层所检测的正样本像素范围，其中所述人脸检测模型为包括至少两个特征层的神经网络模型，每一个特征层对应至少一个锚点，所述锚点用于表示特征层所检测的人脸尺度的范围；根据所述各个特征层所检测的正样本像素范围，从人脸检测数据集的训练图像中确定各个特征层对应的目标训练图像，以使各个特征层之间目标训练图像的数量的比例与预设的各个特征层之间的负样本的数量的比例相同，其中所述特征层对应的目标训练图像包含的人脸尺度在所述特征层所检测的正样本像素范围内；采用所述各个特征层对应的目标训练图像对所述人脸检测模型进行训练。在一种可选的实施方式中，所述根据人脸检测模型中各个特征层对应的锚点，确定所述各个特征层所检测的正样本像素范围的步骤包括：根据位于中间的特征层对应的最大的锚点以及所述位于中间的特征层的上一特征层对应的最小的锚点，确定所述位于中间的特征层所检测的正样本像素范围的上限；并将所述位于中间的特征层的下一特征层所检测的正样本像素范围的上限作为所述位于中间的特征层所检测的正样本像素范围的下限。在一种可选的实施方式中，所述根据人脸检测模型中各个特征层对应的锚点，确定所述各个特征层所检测的正样本像素范围的步骤包括：根据所述训练图像的大小确定位于最上面的特征层所检测的正样本像素范围的上限，并将所述位于最上面的特征层的下一特征层所检测的正样本像素范围的上限作为所述位于最上面的特征层所检测的正样本像素范围的下限。在一种可选的实施方式中，所述根据人脸检测模型中各个特征层对应的锚点，确定所述各个特征层所检测的正样本像素范围的步骤包括：根据位于最下面的特征层对应的最大的锚点以及所述位于最下面的特征层的上一特征层对应的最小的锚点，确定所述位于最下面的特征层所检测的正样本像素范围的上限；并将所述位于最下面的特征层对应的最小的锚点作为所述位于最下面的特征层所检测的正样本像素范围的下限。在一种可选的实施方式中，所述根据位于中间的特征层对应的最大的锚点以及所述位于中间的特征层的上一特征层对应的最小的锚点，确定所述位于中间的特征层所检测的正样本像素范围的上限的步骤包括：将所述位于中间的特征层对应的最大的锚点以及所述位于中间的特征层的上一特征层对应的最小的锚点的平均值作为所述位于中间的特征层所检测的正样本像素范围的上限。在一种可选的实施方式中，所述根据位于最下面的特征层对应的最大的锚点以及所述位于最下面的特征层的上一特征层对应的最小的锚点，确定所述位于最下面的特征层所检测的正样本像素范围的上限的步骤包括：将所述位于最下面的特征层对应的最大的锚点以及所述位于最下面的特征层的上一特征层对应的最小的锚点的平均值作为所述位于最下面的特征层所检测的正样本像素范围的上限。在一种可选的实施方式中，所述各个特征层所检测的负样本的数量与所述各个特征层的尺度成正比；所述根据所述各个特征层所检测的正样本像素范围，从人脸检测数据集中确定各个特征层对应的目标训练图像的步骤包括：从所述人脸检测数据集中确定位于最上面的特征层对应的目标训练图像；若其他特征层对应的图像数量比例大于所述位于最上面的特征层与所述其他特征层之间负样本的数量的比例，则对所述人脸检测数据集中的训练图像进行复制，并对复制后的训练图像进行缩放；从缩放后的训练图像中确定所述其他特征层对应的目标训练图像；其中，所述其他特征层对应的图像数量比例为所述位于最上面的特征层对应的目标训练图像的数量与所述其他特征层对应的候选训练图像的数量的比值，所述候选训练图像为从所述人脸检测数据集中人脸尺度在所述其他特征层所检测的正样本像素范围内的训练图像。在一种可选的实施方式中，所述对所述人脸检测数据集中的训练图像进行复制，并对复制后的训练图像进行缩放步骤包括：将人脸尺度不小于所述特征层所检测的正样本像素范围的上限的训练图像进行至少一次复制；根据所述特征层所检测的正样本像素范围，对复制后的训练图像进行等比例缩放。在一种可选的实施方式中，所述从缩放后的训练图像中确定所述特征层对应的目标训练图像的步骤还包括：从所述特征层对应的候选训练图像中选取所述特征层对应的目标训练图像。在一种可选的实施方式中，所述从缩放后的训练图像中确定所述特征层对应的目标训练图像的步骤包括：从所述缩放后的训练图像中选取人脸尺度在所述特征层所检测的正样本像素范围内的训练图像，并将选取的训练图像作为所述特征层对应的目标训练图像。根据本公开实施例的第二方面，提供一种人脸检测模型的训练装置，包括：第一确定单元，被配置为执行根据人脸检测模型中各个特征层对应的锚点，确定所述各个特征层所检测的正样本像素范围，其中所述人脸检测模型为包括至少两个特征层的神经网络模型，每一个特征层对应至少一个锚点，所述锚点用于表示特征层所检测的人脸尺度的范围；第二确定单元，被配置为执行根据所述各个特征层所检测的正样本像素范围，从人脸检测数据集的训练图像中确定各个特征层对应的目标训练图像，以使各个特征层之间目标训练图像的数量的比例与预设的各个特征层之间的负样本的数量的比例相同，其中所述特征层对应的目标训练图像包含的人脸尺度在所述特征层所检测的正样本像素范围内；训练单元，被配置为执行采用所述各个特征层对应的目标训练图像对所述人脸检测模型进行训练。在一种可选的实施中，所述第一确定单元具体被配置为执行：根据位于中间的特征层对应的最大的锚点以及所述位于中间的特征层的上一特征层对应的最小的锚点，确定所述位于中间的特征层所检测的正样本像素范围的上限；并将所述位于中间的特征层的下一特征层所检测的正样本像素范围的上限作为所述位于中间的特征层所检测的正样本像素范围的下限。在一种可选的实施中，所述第一确定单元具体被配置为执行：根据所述训练图像的大小确定位于最上面的特征层所检测的正样本像素范围的本文档来自技高网...

【技术保护点】
1.一种人脸检测模型的训练方法，其特征在于，包括：/n根据人脸检测模型中各个特征层对应的锚点，确定所述各个特征层所检测的正样本像素范围，其中所述人脸检测模型为包括至少两个特征层的神经网络模型，每一个特征层对应至少一个锚点，所述锚点用于表示特征层所检测的人脸尺度的范围；/n根据所述各个特征层所检测的正样本像素范围，从人脸检测数据集的训练图像中确定各个特征层对应的目标训练图像，以使各个特征层之间目标训练图像的数量的比例与预设的各个特征层之间的负样本的数量的比例相同，其中所述特征层对应的目标训练图像包含的人脸尺度在所述特征层所检测的正样本像素范围内；/n采用所述各个特征层对应的目标训练图像对所述人脸检测模型进行训练。/n

【技术特征摘要】
1.一种人脸检测模型的训练方法，其特征在于，包括：
根据人脸检测模型中各个特征层对应的锚点，确定所述各个特征层所检测的正样本像素范围，其中所述人脸检测模型为包括至少两个特征层的神经网络模型，每一个特征层对应至少一个锚点，所述锚点用于表示特征层所检测的人脸尺度的范围；
根据所述各个特征层所检测的正样本像素范围，从人脸检测数据集的训练图像中确定各个特征层对应的目标训练图像，以使各个特征层之间目标训练图像的数量的比例与预设的各个特征层之间的负样本的数量的比例相同，其中所述特征层对应的目标训练图像包含的人脸尺度在所述特征层所检测的正样本像素范围内；
采用所述各个特征层对应的目标训练图像对所述人脸检测模型进行训练。


2.根据权利要求1所述的人脸检测模型的训练方法，其特征在于，所述根据人脸检测模型中各个特征层对应的锚点，确定所述各个特征层所检测的正样本像素范围的步骤包括：
根据位于中间的特征层对应的最大的锚点以及所述位于中间的特征层的上一特征层对应的最小的锚点，确定所述位于中间的特征层所检测的正样本像素范围的上限；并将所述位于中间的特征层的下一特征层所检测的正样本像素范围的上限作为所述位于中间的特征层所检测的正样本像素范围的下限。


3.根据权利要求1所述的人脸检测模型的训练方法，其特征在于，所述根据人脸检测模型中各个特征层对应的锚点，确定所述各个特征层所检测的正样本像素范围的步骤包括：
根据所述训练图像的大小确定位于最上面的特征层所检测的正样本像素范围的上限，并将所述位于最上面的特征层的下一特征层所检测的正样本像素范围的上限作为所述位于最上面的特征层所检测的正样本像素范围的下限。


4.根据权利要求1所述的人脸检测模型的训练方法，其特征在于，所述根据人脸检测模型中各个特征层对应的锚点，确定所述各个特征层所检测的正样本像素范围的步骤包括：
根据位于最下面的特征层对应的最大的锚点以及所述位于最下面的特征层的上一特征层对应的最小的锚点，确定所述位于最下面的特征层所检测的正样本像素范围的上限；并将所述位于最下面的特征层对应的最小的锚点作为所述位于最下面的特征层所检测的正样本像素范围的下限。


5.根据权利要求1所述的人脸检测模型的训练方法，其特征在于，所述各个特征层所检测的负样本的数量与所述各个特征层的尺度成正比；
所述根据所述各个特征层所检测的正样本像素范围，从人脸检测数据集中确定各个特征层对应的目标训练图像的步骤包括：
从所述人脸检测数据集中确定位于最上面的特征层对应的目标训练图像；...

【专利技术属性】
技术研发人员：杨帆，
申请(专利权)人：北京达佳互联信息技术有限公司，
类型：发明
国别省市：北京;11