一种人脸检测方法、装置及存储介质制造方法及图纸

本发明专利技术公开了一种人脸检测方法、装置及存储介质。所述人脸检测方法，包括：根据Tiny YOLO3算法，对获取的图片进行人脸框检测，得到人脸候选框；通过级联卷积神经网络，调整所述人脸候选框，得到人脸检测框。本发明专利技术能够结合Tiny YOLO3算法和级联卷积神经网络，从图片中准确检测到遮挡人脸、远处人脸等中小目标，提高人脸检测精度。

【技术实现步骤摘要】
一种人脸检测方法、装置及存储介质
本专利技术涉及人脸检测
，尤其涉及一种人脸检测方法、装置及存储介质。
技术介绍
随着科技水平的不断提高，目前已逐渐利用巡检机器人替代人工巡检。巡检机器人主要是通过对采集的图片中出现的人脸进行检测。但巡检机器人在行进过程中，受周围环境的干扰，容易采集到存在遮挡人脸、远处人脸的图片，难以从图片中准确检测到遮挡人脸、远处人脸等中小目标，导致人脸检测出现偏差或遗漏。
技术实现思路
为了克服现有技术的缺陷，本专利技术提供一种人脸检测方法、装置及存储介质，能够结合TinyYOLO3算法和级联卷积神经网络，从图片中准确检测到遮挡人脸、远处人脸等中小目标，提高人脸检测精度。为了解决上述技术问题，第一方面，本专利技术一实施例提供一种人脸检测方法，包括：根据TinyYOLO3算法，对获取的图片进行人脸检测，得到人脸候选框；通过级联卷积神经网络，调整所述人脸候选框，得到人脸检测框。进一步地，所述级联卷积神经网络为由第一卷积神经网络、第二卷积神经网络和第三卷积神经网络组成的三层级联卷积神经网络。进一步地，所述通过级联卷积神经网络，调整所述人脸候选框，得到人脸检测框，具体为：改变所述人脸候选框的尺寸，得到第一人脸候选框、第二人脸候选框和第三人脸候选框；通过所述第一卷积神经网络，对所述第一人脸候选框进行卷积和池化操作，得到第一人脸预测框；通过所述第二卷积神经网络，对所述第二人脸候选框进行卷积和池化操作，得到第二人脸预测框；通过所述第三卷积神经网络，对所述第三人脸候选框进行卷积和池化操作，得到第三人脸预测框；基于所述第一人脸预测框和所述第二人脸预测框的综合判定结果，调整所述人脸候选框，得到人脸调整框；基于所述第三人脸预测框和所述人脸调整框的综合判定结果，调整所述人脸调整框，得到所述人脸检测框。进一步地，在所述基于所述第一人脸预测框和所述第二人脸预测框的综合判定结果，调整所述人脸候选框，得到人脸调整框之前，还包括：采用加权平均法对所述第一人脸预测框和所述第二人脸预测框进行综合判定，得到所述第一人脸预测框和所述第二人脸预测框的综合判定结果。进一步地，在所述基于所述第三人脸预测框和所述人脸调整框的综合判定结果，调整所述人脸调整框，得到所述人脸检测框之前，还包括：采用加权平均法对所述第三人脸预测框和所述人脸调整框进行综合判定，得到所述第三人脸预测框和所述人脸调整框的综合判定结果。进一步地，所述基于所述第一人脸预测框和所述第二人脸预测框的综合判定结果，调整所述人脸候选框，得到人脸调整框，具体为：基于所述第一人脸预测框和所述第二人脸预测框的综合判定结果，根据边框回归和非极大值抑制算法，调整所述人脸候选框，得到所述人脸调整框。进一步地，所述基于所述第三人脸预测框和所述人脸调整框的综合判定结果，调整所述人脸调整框，得到所述人脸检测框，具体为：基于所述第三人脸预测框和所述人脸调整框的综合判定结果，根据边框回归和非极大值抑制算法，调整所述人脸调整框，得到所述人脸检测框。进一步地，所述第一人脸候选框的尺寸为12×12，所述第二人脸候选框的尺寸为24×24，所述第三人脸候选框的尺寸为48×48。第二方面，本专利技术一实施例提供一种人脸检测装置，包括：人脸候选框获取模块，用于根据TinyYOLO3算法，对获取的图片进行人脸检测，得到人脸候选框；人脸检测框获取模块，用于通过级联卷积神经网络，调整所述人脸候选框，得到人脸检测框。第三方面，本专利技术一实施例提供一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上所述的人脸检测方法。本专利技术的实施例，具有如下有益效果：通过根据TinyYOLO3算法，对获取的图片进行人脸框检测，得到人脸候选框，能够利用TinyYOLO3算法采用深浅层特征图进行人脸检测的优点，提高对遮挡人脸、远处人脸等中小目标的检测率，通过级联卷积神经网络，调整人脸候选框，得到人脸检测框，能够利用级联卷积神经网络中的多层卷积神经网络，由粗到细逐级精细化地调整人脸候选框的位置，提高人脸检测框的准确性，从而实现结合TinyYOLO3算法和级联卷积神经网络，从图片中准确检测到遮挡人脸、远处人脸等中小目标，提高人脸检测精度。附图说明图1为本专利技术第一实施例中的一种人脸检测方法的流程示意图；图2为本专利技术第一实施例中的一种人脸检测方法的另一流程示意图；图3为本专利技术第二实施例中的一种人脸检测装置的结构示意图。具体实施方式下面将结合本专利技术中的附图，对本专利技术中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。需要说明的是，文中的步骤编号，仅为了方便具体实施例的解释，不作为限定步骤执行先后顺序的作用。如图1-2所示，第一实施例提供一种人脸检测方法，包括步骤S1～S2：S1、根据TinyYOLO3算法，对获取的图片进行人脸检测，得到人脸候选框。S2、通过级联卷积神经网络，调整人脸候选框，得到人脸检测框。在本实施例中，级联卷积神经网络为由第一卷积神经网络、第二卷积神经网络和第三卷积神经网络组成的三层级联卷积神经网络。作为示例性地，在步骤S1中，通过将获取的图片输入TinyYOLO3算法模型网络，通过TinyYOLO3算法模型网络对图片进行人脸检测，得到人脸候选框。YOLO3算法是Joseph等提出的通用目标检测模型，TinyYOLO3是YOLO3模型的简化，并且融合了特征金字塔网络(featurepyramidnetworks，FPN)和全卷积网络(fullyconvolutionalnetworks，FCN)技术。因此，根据YOLO3算法，能够快速将任意输入图片x映射到一个多维向量y，向量y的维度一般为8～16不等，基本的8维度分别是Pc、bx、by、bh、bw、c1、c2、c3，其中Pc＝1表示含有目标，Pc＝0表示为背景，c1、c2和c3表示要分类的3个目标，bx和by是目标中心点的位置、bh和bw分别是边框的高度与宽度相对于格子的比例。TinyYOLO3算法模型网络主要由卷积层和池化层构成，网络中层的命名规则由其类别和在网络中第几次出现的编号构成，例如Conv5表示网络中的第5个卷积层，maxpllo1表示网络中的第1个最大池化层，upsample1表示网络中的第1个上采样层；网络中每层的输出特征图尺寸表示为“分辨率宽×分辨率高×通道数”，例如“416×416×3”；“+”表示特征图在通道维度的连接操作，“·”表示上采样操作，例如对第5层卷积图进行特征图在通道维度的连接操作，对第8层卷积图进行上采样操作本文档来自技高网...

【技术保护点】
1.一种人脸检测方法，其特征在于，包括：/n根据Tiny YOLO3算法，对获取的图片进行人脸检测，得到人脸候选框；/n通过级联卷积神经网络，调整所述人脸候选框，得到人脸检测框。/n

【技术特征摘要】
1.一种人脸检测方法，其特征在于，包括：
根据TinyYOLO3算法，对获取的图片进行人脸检测，得到人脸候选框；
通过级联卷积神经网络，调整所述人脸候选框，得到人脸检测框。


2.如权利要求1所述的人脸检测方法，其特征在于，所述级联卷积神经网络为由第一卷积神经网络、第二卷积神经网络和第三卷积神经网络组成的三层级联卷积神经网络。


3.如权利要求2所述的人脸检测方法，其特征在于，所述通过级联卷积神经网络，调整所述人脸候选框，得到人脸检测框，具体为：
改变所述人脸候选框的尺寸，得到第一人脸候选框、第二人脸候选框和第三人脸候选框；
通过所述第一卷积神经网络，对所述第一人脸候选框进行卷积和池化操作，得到第一人脸预测框；
通过所述第二卷积神经网络，对所述第二人脸候选框进行卷积和池化操作，得到第二人脸预测框；
通过所述第三卷积神经网络，对所述第三人脸候选框进行卷积和池化操作，得到第三人脸预测框；
基于所述第一人脸预测框和所述第二人脸预测框的综合判定结果，调整所述人脸候选框，得到人脸调整框；
基于所述第三人脸预测框和所述人脸调整框的综合判定结果，调整所述人脸调整框，得到所述人脸检测框。


4.如权利要求3所述的人脸检测方法，其特征在于，在所述基于所述第一人脸预测框和所述第二人脸预测框的综合判定结果，调整所述人脸候选框，得到人脸调整框之前，还包括：
采用加权平均法对所述第一人脸预测框和所述第二人脸预测框进行综合判定，得到所述第一人脸预测框和所述第二人脸预测框的综合判定结果。


5.如权利要求3所述的人脸检测方法，其特征在于，在所述基于所述第三人脸预测框和所...

【专利技术属性】
技术研发人员：占善华，林凡，杜翠凤，房小兆，张秋镇，
申请(专利权)人：广州杰赛科技股份有限公司，广东司法警官职业学院，广东工业大学，
类型：发明
国别省市：广东;44