本发明专利技术实施例公开了低光照度人脸检测方法、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梯度引导的对抗生成网络以及目标检测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，准确率高。准确率高。准确率高。
【技术实现步骤摘要】
低光照度人脸检测方法、装置、计算机设备及存储介质
[0001]本专利技术涉及人脸检测方法，更具体地说是指低光照度人脸检测方法、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，准确率高。
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，提供低光照度人脸检测方法、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：低光照度人脸检测方法，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梯度引导的对抗生成网络以及目标检测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梯度引导的对抗生成网络以及目标检测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]将所述样本集输入梯度引导的对抗生成网络内进行处理，以得到处理结果；
[0014]将所述处理结果输入至目标检测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梯度引导的对抗生成网络以及目标检测网络的参数调整，且当对应的损失函数计算所得的损失值趋于收敛时，确定梯度引导的对抗生成网络以及目标检测网络为人脸检测模型。
[0016]其进一步技术方案为：所述将所述样本集输入梯度引导的对抗生成网络内进行处理，以得到处理结果，包括：
[0017]将所述样本集输入至梯度引导的对抗生成网络内，且所述样本集内的低光照度人脸图像通过Laplacian算子、Sobel算子以及Scharr算子处理，以得到三个梯度图；
[0018]对三个梯度图进行处理，以得到三个梯度特征；
[0019]对所述样本集内的低光照度人脸图像进行特征提取，以得到图像特征；
[0020]将所述图像特征以及三个梯度特征进行对应位置元素的两两相乘，以得到三个相乘特征；
[0021]对第三个相乘特征通过梯度引导的对抗生成网络内的下采样残差块进行处理，以得到三个下采样特征；
[0022]对第三个下采样特征进行上采样处理，以得到特征图以及增强人脸光照图像；
[0023]对第三个相乘特征进行上采样，并将上采样的结果与第三个下采样特征进行原始特征直接拼接处理，以得到处理结果。
[0024]其进一步技术方案为：所述对所述样本集内的低光照度人脸图像进行特征提取，以得到图像特征，包括：
[0025]采用梯度引导的对抗生成网络中的空间信息提取分支对所述样本集内的低光照度人脸图像进行特征提取，以得到空间特征；
[0026]采用梯度引导的对抗生成网络中的语义信息提取分支对所述样本集内的低光照
度人脸图像进行特征提取，以得到语义特征；
[0027]将所述空间特征以及语义特征进行合并，以得到图像特征。
[0028]其进一步技术方案为：所述空间信息提取分支包括空间可分离卷积、SE Inception、可变形卷积、两个卷积以及relu激活函数。
[0029]其进一步技术方案为：所述语义信息提取分支包括深度可分离卷积、CBAM模块、空洞卷积、两个卷积以及mish激活函数。
[0030]其进一步技术方案为：所述将所述处理结果输入至目标检测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]将所述处理结果输入至CenterNet网络内的特征提取hourglass模块的第三个下采样模块中，并删除CenterNet网络内的前两个下采样模块，进行人脸目标框的检测，以得到目标框检测结果。
[0032]本专利技术还提供了低光照度人脸检测装置，包括：
[0033]图像获取单元，用于获取待检测图像；
本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.低光照度人脸检测方法，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梯度引导的对抗生成网络以及目标检测网络构成的模型所得的。2.根据权利要求1所述的低光照度人脸检测方法，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梯度引导的对抗生成网络以及目标检测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；将所述样本集输入梯度引导的对抗生成网络内进行处理，以得到处理结果；将所述处理结果输入至目标检测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梯度引导的对抗生成网络以及目标检测网络的参数调整，且当对应的损失函数计算所得的损失值趋于收敛时，确定梯度引导的对抗生成网络以及目标检测网络为人脸检测模型。3.根据权利要求2所述的低光照度人脸检测方法，其特征在于，所述将所述样本集输入梯度引导的对抗生成网络内进行处理，以得到处理结果，包括：将所述样本集输入至梯度引导的对抗生成网络内，且所述样本集内的低光照度人脸图像通过Laplacian算子、Sobel算子以及Scharr算子处理，以得到三个梯度图；对三个梯度图进行处理，以得到三个梯度特征；对所述样本集内的低光照度人脸图像进行特征提取，以得到图像特征；将所述图像特征以及三个梯度特征进行对应位置元素的两两相乘，以得到三个相乘特征；对第三个相乘特征通过梯度引导的对抗生成网络内的下采样残差块进行处理，以得到三个下采样特征；对第三个下采样特征进行上采样处理，以得到特征图以及增强人脸光照图像；对第三个相乘特征进行上采样，并将上采样的结果与第三个下采样特征进行原始特征直接拼接处理，以得到处理结果。4.根据权利要求3所述的低光照...
【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。