【技术实现步骤摘要】
一种人脸检测模型的训练方法、存储介质及终端设备
[0001]本专利技术涉及人脸检测
，特别涉及一种人脸检测模型的训练方法、存储介质及终端设备。
技术介绍
[0002]人脸作为区分个体之间的一个基本属性，在计算机视觉和多媒体应用领域每天被频繁识别。这些应用中，人脸识别模型需要被重新部署在移动手机甚至智能摄像头中，用于相机自动对焦、人机交互、照片管理、城市安防监控、智能驾驶等诸多领域。当前，人脸识别在开放环境条件下的实际应用中，经常需要识别可见光不足情况拍摄的人脸图像。在这种情况下，人脸检测模型识别精度会产生很大的下降，而造成人脸图像识别失败。
技术实现思路
[0003]本专利技术要解决的技术问题在于，针对现有技术的不足，提供一种人脸检测模型的训练方法、存储介质及终端设备。
[0004]为了解决上述技术问题，本专利技术所采用的技术方案如下：
[0005]一种人脸检测模型的训练方法，所述方法包括：
[0006]将预设训练图像组中的第一图像输入已训练的第一网络模型，以得到所述第一图像对应的第一分类图集，其中，所述预设序列图像组包括第一图像、第二图像以及第一图像对应的真实人脸信息；所述第二图像为所述第一图像的红外图像；
[0007]将所述第二图像输入预设的第二网络模型，以得到所述第二图像对应的第二分类图集以及预测人脸信息；
[0008]基于所述第一分类图集、所述第二分类图集、所述预测人脸信息以及所述真实人脸信息对所述第二网络模型进行训练，以得到人脸检测模型。>[0009]所述人脸检测模型的训练方法，其中，所述第一网络模型为第二网络模型的教师网络模型，第二网络模型为第一网络模型的学生网络模型。
[0010]所述人脸检测模型的训练方法，其中，所述第一网络模型为基于训练图像组中的第一图像以及第一图像对应的真实人脸信息训练得到的。
[0011]所述真实人脸信息包括所述第一图像中人脸位置信息以及人脸位置信息的置信度；所述预设人脸信息包括预测得到的第二图像中预测人脸位置信息以及预测人脸位置信息的预测置信度。
[0012]所述人脸检测模型的训练方法，其中，所述第一网络模型至少包括卷积模块、第一连接模块和第二连接模块，所述卷积模块分别与所述第一连接模块和第二连接模块相连接，所述第二连接模块与所述第一连接模块相连接；所述将预设训练图像组中的第一图像输入已训练的第一网络模型，以得到所述第一图像对应的第一分类图集具体包括：
[0013]将所述第一图像输入至所述卷积模块，通过所述卷积模块输入第一特征图、第二特征图以及第三特征图；
[0014]将所述第二特征图和所述第三特征图输入所述第二连接模块，通过所述第二连接模块输出第四特征图；
[0015]将所述第一特征图和所述第四特征图输入所述第一连接模块，通过所述第一连接模块输出第五特征图，以得到第一分类图集，其中，所述第一分类图集包括所述第三特征图、所述第四特征图以及所述第五特征图，所述第三特征图、第四特征图以及第五特征图均用于确定第二图像中的人脸信息。
[0016]所述人脸检测模型的训练方法，其中，所述第三特征图、所述第四特征图和所述第五特征图均包括分类图和回归图，所述第一分类图集包括所述第三特征图的分类图、所述第四特征图的分类图以及所述第五特征图的分类图，其中，所述分类图用于检测第二图像中是否携带人脸图像，所述回归图用于识别第二图像中人脸图像的人脸信息。
[0017]所述人脸检测模型的训练方法，其中，所述所述第二网络模型的模型结构与第一网络模型对应的初始网络模型的模型结构相同。
[0018]所述人脸检测模型的训练方法，其中，所述基于所述第一分类图集、所述第二分类图集、所述预测人脸信息以及所述第二图像对应的真实人脸信息对所述第二网络模型进行训练型，以得到人脸检测模型，具体包括：
[0019]根据所述第一分类图集以及所述第二分类图集计算第一损失函数；
[0020]根据所述预测人脸信息以及所述第二图像对应的真实人脸信息计算第二损失函数；
[0021]基于所述第一损失函数以及所述第二损失函数计算第三损失函数，并根据所述第三损失函数对所述第二网络模型的模型参数进行修正，以对所述第二网络模型进行训练，直至第二网络模型的模型参数满足预设条件。
[0022]所述人脸检测模型的训练方法，其中，所述第一分类图集包括若干第一分类图，所述第二分类图集包括若干第二分类图，所述若干第二分类图与所述若干第一分类图集一一对应；所述根据所述第一分类图集以及所述第二分类图集计算第一损失函数具体包括：
[0023]对于所述第一分类图集中的每个第一分类图，在所述第二分类图集中确定该第一分类图对应的第二分类图；
[0024]根据所述第一分类图与所述第二分类图计算第四损失函数；
[0025]根据计算得到的所有第四损失函数计算所述第一损失函数。
[0026]所述人脸检测模型的训练方法，其中，各第一分类图的通道数与各自分别对应的第二分类图的通道数不同；所述根据所述第一分类图与所述第二分类图计算第四损失函数具体包括：
[0027]对所述第一分类图进行下采样处理，得到处理后的第一分类图，其中，所述处理后的第一分类图通道数与所述第二分类图的通道数相等；
[0028]根据所述处理后的第一分类图与所述第二分类图计算第四损失函数。
[0029]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一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如上任一所述的人脸检测模型的训练方法中的步骤。
[0030]一种终端设备，其包括：处理器、存储器及通信总线；所述存储器上存储有可被所述处理器执行的计算机可读程序；
[0031]所述通信总线实现处理器和存储器之间的连接通信；
[0032]所述处理器执行所述计算机可读程序时实现如上任一所述的人脸检测模型的训练方法中的步骤。
[0033]有益效果：与现有技术相比，本专利技术提供了一种人脸检测模型的训练方法、存储介质及终端设备，所述训练方法通过已训练的第一网络模型，提取训练图像组中第一图像的第一分类图集，再通过第二网络模型，提取训练图像组中第二图像的第二分类图集，以及预测人脸信息，其中，第二图像为第一图像对应的红外图像；最后基于第一分类图集、第二分类图集、预测人脸信息以及第二图像对应的真实人脸信息对所述第二网络模型进行训练，以得到人脸检测模型。这样可以使得训练得到图像模型可以对红外图像进行人脸识别，并且通过采用第一网络模型的第一分类图集对第二网络模型进行训练，第一分类图集中各第一分类图是通过第一网络模型输出，其携带有第一图像中的人脸信息特征，这样在对第二网络模型进行训练时，采用第一分类图包含的人脸特征对第二分类图中的人脸特征进行修正，使得第二网络模型可以学习到第一分类图包含的人脸特征，增加了第二网络模型学习的特征，从而提高了第二网络模型的训练速度。
附图说明
[0034]图1为本专利技术本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种人脸检测模型的训练方法，其特征在于，所述方法包括：将预设训练图像组中的第一图像输入已训练的第一网络模型，以得到所述第一图像对应的第一分类图集，其中，所述预设序列图像组包括第一图像、第二图像以及第一图像对应的真实人脸信息；所述第二图像为所述第一图像的红外图像；将所述第二图像输入预设的第二网络模型，以得到所述第二图像对应的第二分类图集以及预测人脸信息；基于所述第一分类图集、所述第二分类图集、所述预测人脸信息以及所述真实人脸信息对所述第二网络模型进行训练，以得到人脸检测模型。2.根据权利要求1所述人脸检测模型的训练方法，其特征在于，所述第一网络模型为第二网络模型的教师网络模型，第二网络模型为第一网络模型的学生网络模型。3.根据权利要求1所述人脸检测模型的训练方法，其特征在于，所述真实人脸信息包括所述第一图像中人脸位置信息以及人脸位置信息的置信度；所述预设人脸信息包括预测得到的第二图像中预测人脸位置信息以及预测人脸位置信息的预测置信度。4.根据权利要求1所述人脸检测模型的训练方法，其特征在于，所述第一网络模型至少包括卷积模块、第一连接模块和第二连接模块，所述卷积模块分别与所述第一连接模块和第二连接模块相连接，所述第二连接模块与所述第一连接模块相连接；所述将预设训练图像组中的第一图像输入已训练的第一网络模型，以得到所述第一图像对应的第一分类图集具体包括：将所述第一图像输入至所述卷积模块，通过所述卷积模块输入第一特征图、第二特征图以及第三特征图；将所述第二特征图和所述第三特征图输入所述第二连接模块，通过所述第二连接模块输出第四特征图；将所述第一特征图和所述第四特征图输入所述第一连接模块，通过所述第一连接模块输出第五特征图，以得到第一分类图集，其中，所述第一分类图集包括所述第三特征图、所述第四特征图以及所述第五特征图，所述第三特征图、第四特征图以及第五特征图均用于确定第二图像中的人脸信息。5.根据权利要求4所述人脸检测模型的训练方法，其特征在于，所述第三特征图、所述第四特征图和所述第五特征图均包括分类图和回归图，所述第一分类图集包括所述第三特征图的分类图、所述第四特征图的分类图以及所述第五特征图的分类图，其中，所述分类图用于检测第二图像中是否携带人脸图像，所述回归图用于识别第二图像中人脸图像的人脸信息。6.根据权利要求4所述人...
【专利技术属性】
技术研发人员：李启明，
申请(专利权)人：TCL科技集团股份有限公司，
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。