应用于移动端的人脸检测方法及装置制造方法及图纸

本发明专利技术提供了一种应用于移动端的人脸检测方法及装置，该方法包括：构建超轻量级人脸检测模型，并进行训练；超轻量级人脸检测模型包括dw卷积层、多个权值筛选模块、分类回归模块、非极大值抑制模块，dw卷积层用于提取特征图；权值筛选模块包括通道域权值筛选模块和空间域权值筛选模块，分别用于在通道域对特征图进行筛选，以及在空间域对通道域筛选后的特征图进行筛选；分类回归模块用于对筛选后的特征图进行分类和回归；非极大值抑制模块用于根据所有分类回归模块的输出，获得人脸检测结果；在获得待检测人脸图像后，输入至训练好的超轻量级人脸检测模型中，获得人脸检测结果。本发明专利技术可以在移动端快速地实现人脸检测，精度高。

【技术实现步骤摘要】
应用于移动端的人脸检测方法及装置
本专利技术涉及大数据
，尤其涉及一种应用于移动端的人脸检测方法及装置。
技术介绍
人脸检测属于目标检测领域，即给一幅图像找到其中所有人脸的位置，并用矩形框将人脸框起来输出矩形框的位置和尺寸。人脸检测算法可以分为三个阶段，分别是早期传统算法阶段、AdaBoost框架阶段，以及深度学习算法时代。其中深度学习算法无论在速度还是精度上都远优于其他方法。现阶段主流的人脸检测算法有MTCNN、Faceness-Net、FaceR-CNN、SSH等。这些算法的网络往往在GPU加速的情况下才能达到较快的速度，且模型较大不适用在手机等移动端，或是经过模型压缩后精度下降严重。
技术实现思路
本专利技术实施例提出一种应用于移动端的人脸检测方法，用以在移动端快速地实现人脸检测，精度高，该方法包括：构建超轻量级人脸检测模型，对所述超轻量级人脸检测模型进行训练，获得训练好的超轻量级人脸检测模型；其中，所述超轻量级人脸检测模型包括深度可分离dw卷积层、多个权值筛选模块、与每个权值筛选模块连接的分类回归模块、与多个分类回归模块连接的非极大值抑制模块，所述深度可分离dw卷积层用于从人脸图像中提取出多种不同尺寸的特征图，所述权值筛选模块用于对不同尺寸的特征图进行筛选，所述分类回归模块用于对对应权值筛选模块输出的筛选后的特征图进行分类和回归，获得人脸的预测框，所述非极大值抑制模块用于根据所有分类回归模块输出的人脸的预测框，获得人脸检测结果；所述权值筛选模块包括通道域权值筛选模块和空间域权值筛选模块，其中，通道域权值筛选模块用于在通道域对不同尺寸的特征图进行筛选，获得通道域筛选后的特征图，空间域权值筛选模块用于在空间域对通道域筛选后的特征图进行筛选，获得空间域权值筛选后的特征图；在获得待检测人脸图像后，输入至训练好的超轻量级人脸检测模型中，获得人脸检测结果。本专利技术实施例提出一种应用于移动端的人脸检测装置，用以在移动端快速地实现人脸检测，精度高，该装置包括：超轻量级人脸检测模型构建模块，用于构建超轻量级人脸检测模型，对所述超轻量级人脸检测模型进行训练，获得训练好的超轻量级人脸检测模型；其中，所述超轻量级人脸检测模型包括深度可分离dw卷积层、多个权值筛选模块、与每个权值筛选模块连接的分类回归模块、与多个分类回归模块连接的非极大值抑制模块，所述深度可分离dw卷积层用于从人脸图像中提取出多种不同尺寸的特征图，所述权值筛选模块用于对不同尺寸的特征图进行筛选，所述分类回归模块用于对对应权值筛选模块输出的筛选后的特征图进行分类和回归，获得人脸的预测框，所述非极大值抑制模块用于根据所有分类回归模块输出的人脸的预测框，获得人脸检测结果；所述权值筛选模块包括通道域权值筛选模块和空间域权值筛选模块，其中，通道域权值筛选模块用于在通道域对不同尺寸的特征图进行筛选，获得通道域筛选后的特征图，空间域权值筛选模块用于在空间域对通道域筛选后的特征图进行筛选，获得空间域权值筛选后的特征图；人脸检测模块，用于在获得待检测人脸图像后，输入至训练好的超轻量级人脸检测模型中，获得人脸检测结果。本专利技术实施例还提出了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述应用于移动端的人脸检测方法。本专利技术实施例还提出了一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述应用于移动端的人脸检测方法的计算机程序。在本专利技术实施例中，构建超轻量级人脸检测模型，对所述超轻量级人脸检测模型进行训练，获得训练好的超轻量级人脸检测模型；其中，所述超轻量级人脸检测模型包括深度可分离dw卷积层、多个权值筛选模块、与每个权值筛选模块连接的分类回归模块、与多个分类回归模块连接的非极大值抑制模块，所述深度可分离dw卷积层用于从人脸图像中提取出多种不同尺寸的特征图，所述权值筛选模块用于对不同尺寸的特征图进行筛选，所述分类回归模块用于对对应权值筛选模块输出的筛选后的特征图进行分类和回归，获得人脸的预测框，所述非极大值抑制模块用于根据所有分类回归模块输出的人脸的预测框，获得人脸检测结果；所述权值筛选模块包括通道域权值筛选模块和空间域权值筛选模块，其中，通道域权值筛选模块用于在通道域对不同尺寸的特征图进行筛选，获得通道域筛选后的特征图，空间域权值筛选模块用于在空间域对通道域筛选后的特征图进行筛选，获得空间域权值筛选后的特征图；在获得待检测人脸图像后，输入至训练好的超轻量级人脸检测模型中，获得人脸检测结果。在上述过程中，构建了超轻量级人脸检测模型，该超轻量级人脸检测模型包括深度可分离dw卷积层，深度可分离dw卷积层可从人脸图像中提取出多种不同尺寸的特征图，相对于现有的深度学习算法，提取过程中参数量少，达到了网络参数轻量化的目的，使得整体人脸检测速度快；该超轻量级人脸检测模型包括多个权值筛选模块，且所述权值筛选模块包括通道域权值筛选模块和空间域权值筛选模块，从而对不同尺寸的特征图从通道域和空间域进行了两次筛选，大大减少了后续分类和回归的网络参数量，即进一步提高了整体人脸检测速度；且通过深度可分离dw卷积层、多个权值筛选模块、与每个权值筛选模块连接的分类回归模块、与多个分类回归模块连接的非极大值抑制模块的结合，应用超轻量级人脸检测模型进行人脸检测的精度高，适用于移动端。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：图1为本专利技术实施例中应用于移动端的人脸检测方法的流程图；图2为本专利技术实施例中超轻量级人脸检测模型的全卷积神经网络主干示意图；图3为本专利技术实施例中视觉感受野模块的结构示意图；图4为图2对应的超轻量级人脸检测模型中dw卷积层和视觉感受野RFB模块的参数示例；图5为本专利技术实施例中权值筛选模块的结构示意图；图6为本专利技术实施例中应用于移动端的人脸检测装置的示意图；图7为本专利技术实施例中计算机设备的示意图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本专利技术实施例做进一步详细说明。在此，本专利技术的示意性实施例及其说明用于解释本专利技术，但并不作为对本专利技术的限定。在本说明书的描述中，所使用的“包含”、“包括”、“具有”、“含有”等，均为开放性的用语，即意指包含但不限于。参考术语“一个实施例”、“一个具体实施例”、“一些实施例”、“例如”等的描述意指结合该实施例或示例描述的具体特征、结构或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。各实施例中涉及的步骤顺序用于示意性说明本申请的实施，其中的步本文档来自技高网...

【技术保护点】
1.一种应用于移动端的人脸检测方法，其特征在于，包括：/n构建超轻量级人脸检测模型，对所述超轻量级人脸检测模型进行训练，获得训练好的超轻量级人脸检测模型；其中，所述超轻量级人脸检测模型包括深度可分离dw卷积层、多个权值筛选模块、与每个权值筛选模块连接的分类回归模块、与多个分类回归模块连接的非极大值抑制模块，所述深度可分离dw卷积层用于从人脸图像中提取出多种不同尺寸的特征图，所述权值筛选模块用于对不同尺寸的特征图进行筛选，所述分类回归模块用于对对应权值筛选模块输出的筛选后的特征图进行分类和回归，获得人脸的预测框，所述非极大值抑制模块用于根据所有分类回归模块输出的人脸的预测框，获得人脸检测结果；所述权值筛选模块包括通道域权值筛选模块和空间域权值筛选模块，其中，通道域权值筛选模块用于在通道域对不同尺寸的特征图进行筛选，获得通道域筛选后的特征图，空间域权值筛选模块用于在空间域对通道域筛选后的特征图进行筛选，获得空间域权值筛选后的特征图；/n在获得待检测人脸图像后，输入至训练好的超轻量级人脸检测模型中，获得人脸检测结果。/n

【技术特征摘要】
1.一种应用于移动端的人脸检测方法，其特征在于，包括：
构建超轻量级人脸检测模型，对所述超轻量级人脸检测模型进行训练，获得训练好的超轻量级人脸检测模型；其中，所述超轻量级人脸检测模型包括深度可分离dw卷积层、多个权值筛选模块、与每个权值筛选模块连接的分类回归模块、与多个分类回归模块连接的非极大值抑制模块，所述深度可分离dw卷积层用于从人脸图像中提取出多种不同尺寸的特征图，所述权值筛选模块用于对不同尺寸的特征图进行筛选，所述分类回归模块用于对对应权值筛选模块输出的筛选后的特征图进行分类和回归，获得人脸的预测框，所述非极大值抑制模块用于根据所有分类回归模块输出的人脸的预测框，获得人脸检测结果；所述权值筛选模块包括通道域权值筛选模块和空间域权值筛选模块，其中，通道域权值筛选模块用于在通道域对不同尺寸的特征图进行筛选，获得通道域筛选后的特征图，空间域权值筛选模块用于在空间域对通道域筛选后的特征图进行筛选，获得空间域权值筛选后的特征图；
在获得待检测人脸图像后，输入至训练好的超轻量级人脸检测模型中，获得人脸检测结果。


2.如权利要求1所述的应用于移动端的人脸检测方法，其特征在于，所述深度可分离dw卷积层包括1个3×3标准卷积、多个dw卷积和多个1×1卷积，其中每个dw卷积后都对应一个1×1卷积。


3.如权利要求2所述的应用于移动端的人脸检测方法，其特征在于，所述深度可分离dw卷积层还包括视觉感受野模块，所述视觉感受野模块包括不同尺寸的卷积核构成的多分枝结构、每个分枝结构前的卷积、膨胀卷积层和融合层，其中膨胀卷积层包括与每个分枝结构对应的不同尺寸的空洞卷积，所述不同尺寸的空洞卷积是采用相同尺寸的卷积核根据不同的空洞率形成的。


4.如权利要求1所述的应用于移动端的人脸检测方法，其特征在于，所述通道域权值筛选模块包括全局平均池化层、第一全连接层、第二全连接层、第一sigmond激活函数和第一权值筛选层，全局平均池化层用于对每个通道域的特征图的第一特征向量求平均值后进行压缩获得第二特征向量，第一全连接层用于对所述第二特征向量进行线性组合后进行压缩获得第三特征向量，第二全连接层用于对第三特征向量进行高度非线性变换后进行尺寸还原，获得权值重新分配的第一特征向量，第一sigmond激活函数用于将权值重新分配的第一特征向量的权值映射到[0,1]范围内，获得映射后的第一特征向量，第一权值筛选层用于将权值小于第一设定阈值的映射后的第一特征向量对应的通道域删除，获得通道域筛选后的特征图。


5.如权利要求1所述的应用于移动端的人脸检测方法，其特征在于，所述空间域权值筛选模块包括卷积层、第二sigmond激活函数、第二权值筛选层，卷积...

【专利技术属性】
技术研发人员：侯博严，于吉鹏，李驰，刘岩，
申请(专利权)人：泰康保险集团股份有限公司，
类型：发明
国别省市：北京;11