人脸检测方法、装置、计算机设备及存储介质制造方法及图纸

本发明专利技术实施例公开了一种人脸检测方法、装置、计算机设备及存储介质，包括：获取待识别的目标人脸图片；将所述目标人脸图片输入第一网络模型中以输出第一预测结果，其中，所述第一预测结果包括表征目标特征点的预测位置的第一特征向量；将所述第一特征向量输入第二网络模型中根据预设规则以得到目标损失函数值；将所述目标人脸图片输入所述第二网络模型中以使所述第二网络模型根据所述目标损失函数，输出人脸识别结果。本申请通过第一网络模型得到第一特征向量，将该第一特征向量输入第二网络模型中根据预设规则得到目标损失函数值，在第二网络模型中通过该目标损失函数来计算损失并回传优化训练参数，以提高第二网络模型的识别准确率。

【技术实现步骤摘要】
人脸检测方法、装置、计算机设备及存储介质
本申请涉及人脸识别
，具体而言，本申请涉及一种人脸检测方法、装置、计算机设备及存储介质。
技术介绍
随着计算机技术的发展，越来越多的服务与检测项目采用自动检测的方式，以节省人力成本，特别是在检票或者办理相关业务时，对人体进行身份识别上，均采用自动识别方式。现有技术中，对人体的身份信息进行识别多采用人脸识别方式，由于人脸不容易轻易改变，因此通过采集人脸图像，对图像进行脸部识别和处理以确定人体的身份信息。现有的人脸检测技术在实际应用中，对于一些遮挡、模糊严重或者占图像比重较小的人脸，识别率较低，现有技术中准确率高的方法是基于很大的网络，但是基于大网络的方法运行速度慢，训练时间长。
技术实现思路
本申请针对采用大网络速度慢，采用小网络准确率低的问题，提出一种人脸检测方法、装置、计算机设备及存储介质。一方面，本申请公开一种人脸检测方法，包括获取待识别的目标人脸图片；将所述目标人脸图片输入第一网络模型中以输出第一预测结果，其中，所述第一预测结果包括表征目标特征点的预测位置的第一特征向量；将所述第一特征向量输入第二网络模型中根据预设规则以得到目标损失函数值；将所述目标人脸图片输入所述第二网络模型中以使所述第二网络模型根据所述目标损失函数值，输出人脸识别结果。可选的，所述将所述目标人脸图片输入第一网络模型中以输出第一预测结果的方法包括：获取所述目标人脸图片在所述第一网络模型中的特征图层；>在所述特征图层中获取所述目标特征点的预测位置；输出所述预测位置表征的第一特征向量。可选的，所述预设规则包括将所述目标特征点的第一特征向量带入第二网络模型的原始损失函数中以生成所述目标损失函数值。可选的，所述将所述第一特征向量输入第二网络模型中根据预设规则以得到目标损失函数值的方法包括：获取表征所述目标特征点在第二网络模型中的预测位置的第二特征向量；获取所述第二网络模型的初始损失函数；将基于所述第二特征向量的初始损失函数值与基于第一特征向量的初始函数值相加以得到所述目标损失函数值。可选的，所述将基于所述第二特征向量的初始损失函数值与基于第一特征向量的初始函数值相加以得到所述目标损失函数值的方法包括：将所述第一特征向量的初始函数值匹配预设权重值后与所述第二目标损失函数值相加。可选的，所述原始损失函数值的表达式为：其中，S2表示所述目标图像的大小，xi,yi,wi，hi和Ci分别表示目标物体的标定值；和分别表示目标物体位置的预测值。可选的，所述目标损失函数值的表达式为：其中，S2表示所述目标图像的大小，xi,yi,wi，hi和Ci分别表示目标物体的标定值；和分别表示目标物体位置的预测值；和表示大网络模型的预测值。另一方面，本申请还公开一种人脸检测装置，包括获取模块：被配置为执行获取待识别的目标人脸图片；第一处理模块：被配置为执行将所述目标人脸图片输入第一网络模型中以输出第一预测结果，其中，所述第一预测结果包括表征所述目标特征点的预测位置的第一特征向量；第二处理模块：被配置为执行将所述第一特征向量输入第二网络模型中根据预设规则以得到目标损失函数值；执行模块：被配置为执行将所述目标人脸图片输入所述第二网络模型中以使所述第二网络模型根据所述目标损失函数值，输出人脸识别结果。可选的，所述第一处理模块还包括：特征获取模块：被配置为执行获取所述目标人脸图片在所述第一网络模型中的特征图层；预测位置获取模块：被配置为执行在所述特征图层中获取所述目标特征点的预测位置；第一输出模块：被配置为执行输出所述预测位置表征的第一特征向量。可选的，所述预设规则包括将所述目标特征点的第一特征向量带入第二网络模型的原始损失函数中以生成所述目标损失函数值。可选的，所述第二处理模块包括：特征向量获取模块：被配置为执行获取表征所述目标特征点在第二网络模型中的预测位置的第二特征向量；损失函数获取模块：被配置为执行获取所述第二网络模型的初始损失函数；目标损失函数处理模块：被配置为执行将基于所述第二特征向量的初始损失函数值与基于第一特征向量的初始函数值相加以得到所述目标损失函数值。可选的，所述目标损失函数处理模块还包括，权重匹配模块：被配置为执行将所述第一特征向量的初始函数值匹配预设权重值后与所述第二目标损失函数值相加。可选的，所述原始损失函数值的表达式为：其中，S2表示所述目标图像的大小，xi,yi,wi，hi和Ci分别表示目标物体的标定值；和分别表示目标物体位置的预测值。可选的，所述目标损失函数值的表达式为：其中，S2表示所述目标图像的大小，xi,yi,wi，hi和Ci分别表示目标物体的标定值；和分别表示目标物体位置的预测值；和表示大网络模型的预测值。本申请的实施例根据第三个方面，还提供了一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行上述所述人脸检测方法的步骤。本申请的实施例根据第四个方面，还提供了一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述所述人脸检测方法的步骤。本申请实施例的有益效果是：本申请公开的第二网络模型相对第一网络模型而言体型较小，即第一网络模型为大网络模型，其训练技术大，人脸检测准确度高，但是由于其训练基数大，在进行人脸识别过程中所需的时间较长，过程相对复杂，而第二网络模型，属于小网络模型，小网络模型需要通过训练确定的自由量(权值)的数量较少的、模型规模较小或者仅仅需要少量的训练样本图像就能够训练至收敛的神经网络模型，其训练基数较少，识别出人脸结果的速度快，但是准确率相对第一网络模型而言较低，为了能够加快识别速度的同时，保证识别结果的准确率，通过第一网络模型得到第一特征向量，将该第一特征向量输入第二网络模型中根据预设规则得到目标损失函数值，在第二网络模型中通过该目标损失函数来计算损失并回传优化训练参数，以提高第二网络模型的识别准确率。附图说明本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：图1为本申请一个人脸检测方法的流程图；图2为本申请从视频文件中选取目标人脸图片的方法流程图；图3为本申请卷积神经网络模型训练过程方法流程图：图4为本申请输出第一预测结果的方法流程图；图5为本申请目标损失函数获取方法流程图；图6为本申请人脸检测装置框图；图7为本申请一个实施例的计算机设备基本结构框图。具体实施方式下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示本文档来自技高网...

【技术保护点】
1.一种人脸检测方法，其特征在于，包括/n获取待识别的目标人脸图片；/n将所述目标人脸图片输入第一网络模型中以输出第一预测结果，其中，所述第一预测结果包括表征目标特征点的预测位置的第一特征向量；/n将所述第一特征向量输入第二网络模型中根据预设规则以得到目标损失函数值；/n将所述目标人脸图片输入所述第二网络模型中以使所述第二网络模型根据所述目标损失函数值，输出人脸识别结果。/n

【技术特征摘要】
1.一种人脸检测方法，其特征在于，包括
获取待识别的目标人脸图片；
将所述目标人脸图片输入第一网络模型中以输出第一预测结果，其中，所述第一预测结果包括表征目标特征点的预测位置的第一特征向量；
将所述第一特征向量输入第二网络模型中根据预设规则以得到目标损失函数值；
将所述目标人脸图片输入所述第二网络模型中以使所述第二网络模型根据所述目标损失函数值，输出人脸识别结果。


2.根据权利要求1所述的人脸检测方法，其特征在于，所述将所述目标人脸图片输入第一网络模型中以输出第一预测结果的方法包括：
获取所述目标人脸图片在所述第一网络模型中的特征图层；
在所述特征图层中获取所述目标特征点的预测位置；
输出所述预测位置表征的第一特征向量。


3.根据权利要求2所述的人脸检测方法，其特征在于，所述预设规则包括将所述目标特征点的第一特征向量带入第二网络模型的原始损失函数中以生成所述目标损失函数值。


4.根据权利要求3所述的人脸检测方法，其特征在于，所述将所述第一特征向量输入第二网络模型中根据预设规则以得到目标损失函数值的方法包括：
获取表征所述目标特征点在第二网络模型中的预测位置的第二特征向量；
获取所述第二网络模型的初始损失函数；
将基于所述第二特征向量的初始损失函数值与基于第一特征向量的初始函数值相加以得到所述目标损失函数值。


5.根据权利要求4所述的人脸检测方法，其特征在于，所述将基于所述第二特征向量的初始损失函数值与基于第一特征向量的初始函数值相加以得到所述目标损失函数值的方法包括：将所述第一特征向量的初始函数值匹配预设权重值后...

【专利技术属性】
技术研发人员：孔凡静，刘洛麒，
申请(专利权)人：北京奇虎科技有限公司，
类型：发明
国别省市：北京;11