本发明专利技术实施例公开了低照度的人脸检测方法、装置、计算机设备及存储介质。所述方法包括：获取待检测图像；将所述待检测图像输入人脸检测模型内进行人脸检测，以得到检测结果；输出所述检测结果；其中，所述人脸检测模型通过若干组由低光照度人脸图像以及正常光照度人脸图像构成图像对作为样本集训练由对抗神经网络以及深度学习网络构成的模型所得的。通过实施本发明专利技术实施例的方法可实现无需通过阈值调整进行超低光照度地人脸检测，可以针对不同程度的低光照度光线进行人脸检测；更好的预测不同尺度大小的人脸。测不同尺度大小的人脸。测不同尺度大小的人脸。
【技术实现步骤摘要】
低照度的人脸检测方法、装置、计算机设备及存储介质
[0001]本专利技术涉及低照度的人脸检测方法，更具体地说是指低照度的人脸检测方法、装置、计算机设备及存储介质。
技术介绍
[0002]随着智能社会的发展，人脸识别技术已经运用于许多场景中，如小区的门禁系统、火车站的闸机入口、展会的安防系统等。通过人脸识别技术，不仅使人们享受其所带来的便利，同时也对人们的安全提供了保障。如在火车站这种公共场合，相较于传统的人工方式，利用人脸识别通过闸机，可以极大的提高通行效率。
[0003]人脸检测是人脸识别技术中一个重要环节，在进行人脸检测时，一般是通过拍摄图片进行检测，图片会受到光照度的影响，对于一些比较低光照度的图片若直接进行人脸检测，检测的准确率会大大降低。现有以下五种方式进行处理，第一种是采用OTSU分割算法在低照度的情况下的自适应算法，实现了对低照度环境图像采集的自适应，通过处理前后的低照度人脸图像Adaboost分类检测器验证。该算法中OTSU算法进行语义分割需要设定阈值，对不同程度的低光照没有很好的兼容性，效果较差，其次adboost是弱分类器，往往会因为数据不平衡导致识别效果变差；第二种是通过对人脸视频图像的预处理，并基于Adaboost人脸检测算法最终通过特征融合建模进行人脸识别，该算法基于传统机器学习模型进行人脸图片预处理，进行人为调参数，同时基于adboost进行人脸检测算法参数阈值的设定对检测效果不够精准；第三种是将光照变化对人脸识别造成的影响从预处理、特征提取记忆分类器进行了设计，利用粗粒度区划算法，结合光照变化信息将连续对比度值域区间进行划分，并提取LNMCP人脸特征，通过映入模糊隶属函数以及通过权重计算，识别人类识别率，但是该算法基于通过动态阈值对非线性进行划分层提取人脸特征，有人工设参的步骤参与，使得该算法模型不够鲁棒，对异常光线及人脸不同部位的反光的情况无法有好的适应效果；第四种是通过设定干扰区域的掩码，确定干扰区域的像素数目，以及其灰度值于阈值进行比较，找出超过阈值的像素点，然后判断图像中灰度超过阈值的像素点数目于干扰区域的像素点数目进行比较，若大于干扰区域小苏点数目则将图像灰度超过阈值的像素点于设定的掩膜模板进行掩膜处理来改变像素点的灰度值，但是该方法过多的依赖于人工挑选阈值参数的手法进行去反光处理，针对不同方向程度的反光没有很好的兼容性，且仅仅针对眼镜反光进行处理，没有考虑到其他光照皮肤漫反射等其他光照影响，使得该算法效果不够鲁棒；第五种是通过对像素点灰度值进行预处理，调节图像的阈值，通过计算图像像素点的临域矩阵将其进行无权重融合。基于中心线对称修改替换白斑区域的像素点的灰度值，最后对修改后的图像像素点集合进行均值归一化做人脸输出，但是该专利基于阈值进行对光照强度区域进行调整，无法适合不同光照条件的影响，算法对去反光效果不够稳定，往往因设定的阈值不够准确而导致识别效果变差。
[0004]因此，有必要设计一种新的方法，实现无需通过阈值调整进行超低光照度地人脸检测，可以针对不同程度的低光照度光线进行人脸检测；更好的预测不同尺度大小的人脸。
技术实现思路
[0005]本专利技术的目的在于克服现有技术的缺陷，提供低照度的人脸检测方法、装置、计算机设备及存储介质。
[0006]为实现上述目的，本专利技术采用以下技术方案：低照度的人脸检测方法，包括：
[0007]获取待检测图像；
[0008]将所述待检测图像输入人脸检测模型内进行人脸检测，以得到检测结果；
[0009]输出所述检测结果；
[0010]其中，所述人脸检测模型通过若干组由低光照度人脸图像以及正常光照度人脸图像构成图像对作为样本集训练由对抗神经网络以及深度学习网络构成的模型所得的。
[0011]其进一步技术方案为：所述人脸检测模型通过若干组由低光照度人脸图像以及正常光照度人脸图像构成图像对作为样本集训练由对抗神经网络以及深度学习网络构成的模型所得的，包括：
[0012]获取若干组由低光照度人脸图像以及正常光照度人脸图像构成图像对，以得到样本集；
[0013]将所述样本集输入对抗神经网络内进行处理，以得到处理结果；
[0014]将所述处理结果输入至深度学习网络内进行人脸目标框的检测，以得到目标框检测结果；
[0015]根据所述处理结果、目标框检测结果结合对应的损失函数进行对抗神经网络以及深度学习网络的参数调整，以得到人脸检测模型。
[0016]其进一步技术方案为：所述将所述样本集输入对抗神经网络内进行处理，以得到处理结果，包括：
[0017]采用对抗神经网络中的多个Swin Transformer块对所述样本集内的低光照度人脸图像进行特征提取；
[0018]对提取的特征对应的特征层进行融合处理，以提取感光信息，以得到处理结果。
[0019]其进一步技术方案为：所述对提取的特征对应的特征层进行融合处理，以提取感光信息，以得到处理结果，包括：
[0020]对提取的特征对应的第二个特征层进行上采样，并与第一个特征层进行原始特征直接拼接，以得到第一拼接结果；
[0021]对提取的特征对应的第四个特征层进行上采样，并与第三个特征层进行原始特征直接拼接，以得到第二拼接结果；
[0022]将所述第一拼接结果、第二拼接结果以及第五个特征层进行可变形卷积操作，以得到对应的卷积结果；
[0023]将对应的卷积结果进行原始特征直接拼接，以得到融合特征；
[0024]对所述融合特征进行CBAM注意力机制处理，以得到注意力处理结果；
[0025]对所述注意力处理结果进行上采样处理，以得到上采样处理结果；
[0026]将所述上采样处理结果进行合并，以得到合并结果；
[0027]对所述合并结果进行五次反卷积，并进行特征通道数还原和尺寸恢复，以得到增强光照图片，且将第四次反卷积输出的特征进行卷积和原始特征直接拼接，以得到特征拼接结果；
[0028]将合并结果通过动态条件卷积处理，以得到动态处理特征图；
[0029]将第四次反卷积输出的特征以及所述动态处理特征图进行原始特征直接拼接，并进行组合卷积，以得到处理结果。
[0030]其进一步技术方案为：所述将所述处理结果输入至深度学习网络内进行人脸目标框的检测，以得到目标框检测结果，包括：
[0031]将所述处理结果以及样本集输入至深度学习网络内的卷积块中进行处理，以得到两个卷积特征；
[0032]对两个卷积特征进行原始特征直接拼接，以得到中间特征；
[0033]将所述中间特征输入至yolov5模型进行人脸检测，以得到目标框检测结果。
[0034]其进一步技术方案为：所述将所述中间特征输入至yolov5模型进行人脸检测，以得到目标框检测结果，包括：
[0035]将所述中间特征进行卷积操作，以得到卷积操作图片，所述卷积操作图片的通道数量与yolov5模型内的CSPDarkNet第二个ResBlock大小一致；...
【技术保护点】
【技术特征摘要】
1.低照度的人脸检测方法，其特征在于，包括：获取待检测图像；将所述待检测图像输入人脸检测模型内进行人脸检测，以得到检测结果；输出所述检测结果；其中，所述人脸检测模型通过若干组由低光照度人脸图像以及正常光照度人脸图像构成图像对作为样本集训练由对抗神经网络以及深度学习网络构成的模型所得的。2.根据权利要求1所述的低照度的人脸检测方法，其特征在于，所述人脸检测模型通过若干组由低光照度人脸图像以及正常光照度人脸图像构成图像对作为样本集训练由对抗神经网络以及深度学习网络构成的模型所得的，包括：获取若干组由低光照度人脸图像以及正常光照度人脸图像构成图像对，以得到样本集；将所述样本集输入对抗神经网络内进行处理，以得到处理结果；将所述处理结果输入至深度学习网络内进行人脸目标框的检测，以得到目标框检测结果；根据所述处理结果、目标框检测结果结合对应的损失函数进行对抗神经网络以及深度学习网络的参数调整，以得到人脸检测模型。3.根据权利要求2所述的低照度的人脸检测方法，其特征在于，所述将所述样本集输入对抗神经网络内进行处理，以得到处理结果，包括：采用对抗神经网络中的多个Swin Transformer块对所述样本集内的低光照度人脸图像进行特征提取；对提取的特征对应的特征层进行融合处理，以提取感光信息，以得到处理结果。4.根据权利要求3所述的低照度的人脸检测方法，其特征在于，所述对提取的特征对应的特征层进行融合处理，以提取感光信息，以得到处理结果，包括：对提取的特征对应的第二个特征层进行上采样，并与第一个特征层进行原始特征直接拼接，以得到第一拼接结果；对提取的特征对应的第四个特征层进行上采样，并与第三个特征层进行原始特征直接拼接，以得到第二拼接结果；将所述第一拼接结果、第二拼接结果以及第五个特征层进行可变形卷积操作，以得到对应的卷积结果；将对应的卷积结果进行原始特征直接拼接，以得到融合特征；对所述融合特征进行CBAM注意力机制处理，以得到注意力处理结果；对所述注意力处理结果进行上采样处理，以得到上采样处理结果；将所述上采样处理结果进行合并，以得到合并结果；对所述合并结果进行五次反卷积，并进行特征通道数还原和尺寸恢复，以得到增强光照图片，且将第四次反卷积输出的特征进行卷积和原始特征直接拼接，以得到特征拼接结果；将合并结果通过动态条件卷积处理，以得到动态处理特征图；将第四次反卷积输出的特征以及所述动态处理特征图进行原始特征直接拼接，并...
【专利技术属性】
技术研发人员：胡懋成，李德民，王秋阳，宋素林，
申请(专利权)人：深圳市赛为智能股份有限公司，
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。