一种人脸检测方法及装置、存储介质及终端，所述方法包括：获取训练数据，所述训练数据包括多张样本人脸图像以及每张样本人脸图像的人脸关键点数据，所述人脸关键点数据包括各个人脸关键点的位置和遮挡状态；采用所述训练数据训练单个检测网络模型，以得到训练后的检测网络模型；采用所述训练后的检测网络模型检测待测人脸图像，以确定所述待测人脸图像中人脸关键点的位置和遮挡状态。通过本发明专利技术的方案，可以通过单个检测网络模型检测出人脸关键点的位置以及各个关键点是否是被遮挡的。点的位置以及各个关键点是否是被遮挡的。点的位置以及各个关键点是否是被遮挡的。
【技术实现步骤摘要】
一种人脸检测方法及装置、存储介质、终端
[0001]本专利技术涉及计算机视觉领域，尤其涉及一种人脸检测方法及装置、存储介质、终端。
技术介绍
[0002]目前，人脸检测广泛应用于金融支付、门禁考勤、电子商务等诸多场景中，给人们的生活带来了极大的便利。人脸检测主要是对图像中的人脸进行定位并分析的过程，具体而言，在人脸检测过程中，需要在检测出图像中的人脸区域和人脸关键点后，进行人脸识别、人脸表情识别等人脸图像分析任务。其中，人脸关键点(例如，左眼、右眼、鼻尖、左嘴角和右嘴角等)的检测是人脸检测中至关重要的环节，要实现对图像中人脸的准确分析，就需要精准地检测出图像中的人脸关键点。
[0003]在实际应用过程中，经常会发生人脸关键点被遮挡的情况(例如，人脸关键点被墨镜、口罩、帽子等物体遮挡)，但现有技术中在定位人脸关键点时并没有包含对于人脸关键点是否被遮挡的判断，在这种情况下，由于人脸关键点被遮挡，图像中人脸的特征信息会因遮挡而丢失，即使精确定位到人脸关键点，也无法对图像中的人脸进行准确地分析，容易导致人脸检测的结果出错或失效。
[0004]因此，亟需一种能够确定图像中人脸关键点遮挡状态的人脸检测方法。
技术实现思路
[0005]本专利技术解决的技术问题是如何确定图像中人脸关键点遮挡状态。
[0006]为解决上述技术问题，本专利技术实施例提供一种人脸检测方法，所述方法包括：获取训练数据，所述训练数据包括多张样本人脸图像以及每张样本人脸图像的人脸关键点数据，所述人脸关键点数据包括各个人脸关键点的位置和遮挡状态；采用所述训练数据训练单个检测网络模型，以得到训练后的检测网络模型；采用所述训练后的检测网络模型检测待测人脸图像，以确定所述待测人脸图像中人脸关键点的位置和遮挡状态。
[0007]可选的，所述训练数据还包括每张样本人脸图像的人脸区域的位置，所述方法还包括：在采用所述训练后的检测网络模型检测所述待测人脸图像时，一并确定所述待测人脸图像的人脸区域。
[0008]可选的，每一人脸关键点具有对应的锚点，各个人脸关键点的位置采用如下方式确定：对于每一锚点，根据所述多张样本人脸图像中对应的人脸关键点的位置，确定所述锚点的位置；对于每一人脸关键点，计算其相对于对应的锚点的偏移量，以得到所述人脸关键点的位置。
[0009]可选的，采用所述训练后的检测网络模型检测待测人脸图像，以确定所述待测人脸图像中的人脸关键点的位置和遮挡状态包括：采用所述训练后的检测网络模型确定待测人脸关键点数据，所述待测人脸关键点数据包括所述待测人脸图像中人脸关键点相对于其对应的锚点的偏移量；在所述锚点的位置上叠加所述待测人脸图像中人脸关键点相对于其
对应的锚点的偏移量，以确定所述待测人脸图像中人脸关键点的位置。
[0010]可选的，所述待测人脸关键点数据还包括所述待测人脸图像中人脸关键点的遮挡状态回归值，采用所述训练后的检测网络模型检测待测人脸图像还包括：将所述遮挡状态回归值与预设阈值进行比较，如果所述遮挡状态回归值大于所述预设阈值，则确定所述人脸关键点是未被遮挡的。
[0011]可选的，将所述遮挡状态回归值与预设阈值进行比较之前，还包括：确定所述预设阈值；确定所述预设阈值包括：步骤一：设置所述预设阈值的初始值并获取多张验证人脸图像；步骤二：对于每张验证人脸图像，采用所述训练后的检测网络模型检测其中的人脸关键点是否是被遮挡的，并判断检测结果是否准确；步骤三：统计所述检测网络模型检测的准确率；步骤四：比较所述准确率与预设准确率阈值，如果所述准确率小于所述预设准确率阈值，则调整所述预设阈值，并返回步骤二，直至所述准确率不低于所述预设准确率阈值为止。
[0012]可选的，采用所述训练数据训练单个检测网络模型，以得到训练后的检测网络模型包括：构建损失函数，所述损失函数用于计算所述每张样本人脸图像中人脸关键点的回归损失值，所述人脸关键点的回归损失值包括位置回归损失值和遮挡状态回归损失值；根据所述损失函数和所述训练数据训练所述检测网络模型，直至所述位置回归损失值和所述遮挡状态回归损失值均小于预设损失值。
[0013]可选的，所述检测网络模型包括骨干网络、特征金字塔网络和预测网络，所述骨干网络、特征金字塔网络和预测网络均包括预设数量个层级，采用所述训练后的检测网络模型检测待测人脸图像包括：在所述特征金字塔网络的第i层，融合所述骨干网络第i层提取的所述待测人脸图像的特征以及所述特征金字塔网络第i层的上采样特征，以得到所述特征金字塔网络第i层的融合特征；在所述预测网络第i层，根据所述特征金字塔网络第i层的融合特征检测所述待测人脸图像中人脸关键点的位置和遮挡状态；其中，1≤i≤N，i，N为预设的正整数。
[0014]为了解决上述技术问题，本专利技术实施例还提供一种人脸检测装置，所述装置包括：获取模块，用于获取训练数据，所述训练数据包括多张样本人脸图像以及每张样本人脸图像的人脸关键点数据，所述人脸关键点数据包括各个人脸关键点的位置和遮挡状态；训练模块，用于采用所述训练数据训练单个检测网络模型，以得到训练后的检测网络模型；检测模块，用于采用所述训练后的检测网络模型检测待测人脸图像，以确定所述待测人脸图像中人脸关键点的位置和遮挡状态。
[0015]本专利技术实施例还提供一种存储介质，其上存储有计算机程序，所述计算机程序被处理器运行时执行上述人脸检测方法的步骤。
[0016]本专利技术实施例还提供一种终端，包括存储器和处理器，所述存储器上存储有能够在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序时执行上述人脸检测方法的步骤。
[0017]与现有技术相比，本专利技术实施例的技术方案具有以下有益效果：本专利技术实施例提供一种人脸检测方法，所述方法包括：获取训练数据，所述训练数据包括多张样本人脸图像以及每张样本人脸图像的人脸关键点数据，所述人脸关键点数据包括各个人脸关键点的位置和遮挡状态；采用所述训练数据训练单个检测网络模型，以得到训练后的检测网络模型；
采用所述训练后的检测网络模型检测待测人脸图像，以确定所述待测人脸图像中人脸关键点的位置和遮挡状态。在本专利技术实施例中，训练数据中的人脸关键点数据包括各个人脸关键点的位置和遮挡状态，采用训练数据训练单个检测网络模型，能够使单个检测网络模型同时学习到人脸关键点的位置特征和遮挡状态特征，从而使用训练后的检测网络模型检测待检测人脸图像时，既能检测出所述待测人脸图像中的人脸关键点的位置，还能检测出人脸关键点的遮挡状态，以便后续进行人脸图像分析。
[0018]进一步地，本专利技术实施例中根据所述多张样本人脸图像中人脸关键点的位置确定对应的锚点，由此得到的锚点的位置能够体现样本人脸图像中与该锚点对应的人脸关键点位置的特征，使得确定的锚点位置更加优化，从而可以提高人脸关键点定位的准确性。
[0019]进一步地，本专利技术实施例中所述训练数据中还包括每张样本人脸图像的人脸区域的位置，采用所述训练数据训练检测网络模型时，还能使检测网络模型学习到人脸区域的位置的特征，可以在本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种人脸检测方法，其特征在于，所述方法包括：获取训练数据，所述训练数据包括多张样本人脸图像以及每张样本人脸图像的人脸关键点数据，所述人脸关键点数据包括各个人脸关键点的位置和遮挡状态；采用所述训练数据训练单个检测网络模型，以得到训练后的检测网络模型；采用所述训练后的检测网络模型检测待测人脸图像，以确定所述待测人脸图像中人脸关键点的位置和遮挡状态。2.根据权利要求1所述的人脸检测方法，其特征在于，所述训练数据还包括每张样本人脸图像的人脸区域的位置，所述方法还包括：在采用所述训练后的检测网络模型检测所述待测人脸图像时，一并确定所述待测人脸图像的人脸区域。3.根据权利要求1所述的人脸检测方法，其特征在于，每一人脸关键点具有对应的锚点，各个人脸关键点的位置采用如下方式确定：对于每一锚点，根据所述多张样本人脸图像中对应的人脸关键点的位置，确定所述锚点的位置；对于每一人脸关键点，计算其相对于对应的锚点的偏移量，以得到所述人脸关键点的位置。4.根据权利要求3所述的人脸检测方法，其特征在于，采用所述训练后的检测网络模型检测待测人脸图像，以确定所述待测人脸图像中的人脸关键点的位置和遮挡状态包括：采用所述训练后的检测网络模型确定待测人脸关键点数据，所述待测人脸关键点数据包括所述待测人脸图像中人脸关键点相对于其对应的锚点的偏移量；在所述锚点的位置上叠加所述待测人脸图像中人脸关键点相对于其对应的锚点的偏移量，以确定所述待测人脸图像中人脸关键点的位置。5.根据权利要求4所述的人脸检测方法，其特征在于，所述待测人脸关键点数据还包括所述待测人脸图像中人脸关键点的遮挡状态回归值，采用所述训练后的检测网络模型检测待测人脸图像还包括：将所述遮挡状态回归值与预设阈值进行比较，如果所述遮挡状态回归值大于所述预设阈值，则确定所述人脸关键点是未被遮挡的。6.根据权利要求5所述人脸检测方法，其特征在于，将所述遮挡状态回归值与预设阈值进行比较之前，还包括：确定所述预设阈值；确定所述预设阈值包括：步骤一：设置所述预设阈值的初始值并获取多张验证人脸图像；步骤二：对于每张验证人脸图像，采用所述训练后的检测网络模型检测其中的人脸关键点是否是被遮挡的，并判断检测结果是否...
【专利技术属性】
技术研发人员：郭峰，单增光，叶云，黄冠，都大龙，
申请(专利权)人：北京芯翌智能信息技术有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。