人脸检测方法、装置、电子设备以及存储介质制造方法及图纸

本申请公开了一种人脸检测方法、装置、电子设备以及存储介质，涉及图像检测技术领域。该方法包括：获取第一待检测图像，当第一待检测图像的分辨率大于指定分辨率时，将第一待检测图像输入已训练的人脸检测模型，获取已训练的人脸检测模型输出的人脸检测结果，其中，人脸检测结果由已训练的人脸检测模型对至少一个第二待检测图像进行人脸检测获得，至少一个第二待检测图像由已训练的人脸检测模型对第一待检测图像进行切割获得，从而实现对分辨率较高图像的人脸识别，并降低了对显存的要求，减小计算量。减小计算量。减小计算量。

【技术实现步骤摘要】
人脸检测方法、装置、电子设备以及存储介质


[0001]本申请涉及图像检测
，更具体地，涉及一种人脸检测方法、装置、电子设备以及存储介质。

技术介绍

[0002]随着科学技术的发展，人脸检测技术涉及的领域越来越多，已经成为人们日常生活中的必备之一。目前，大多数人脸检测模型，计算量较大，甚至会因显存不足无法进行人脸检测模型训练或预测。

技术实现思路

[0003]鉴于上述问题，本申请提出了一种人脸检测方法、装置、电子设备以及存储介质，以解决上述问题。
[0004]第一方面，本申请实施例提供了一种人脸检测方法，所述方法包括：获取第一待检测图像；当所述第一待检测图像的分辨率大于指定分辨率时，将所述第一待检测图像输入已训练的人脸检测模型；获取所述已训练的人脸检测模型输出的人脸检测结果，其中，所述人脸检测结果由所述已训练的人脸检测模型对至少一个第二待检测图像进行人脸检测获得，所述至少一个第二待检测图像由所述已训练的人脸检测模型对所述第一待检测图像进行切割获得。
[0005]第二方面，本申请实施例提供了一种人脸检测装置，所述装置包括：第一待检测图像获取模块，用于获取第一待检测图像；人脸检测模型输入模块，用于当所述第一待检测图像的分辨率大于指定分辨率时，将所述第一待检测图像输入已训练的人脸检测模型；人脸检测结果获取模块，用于获取所述已训练的人脸检测模型输出的人脸检测结果，其中，所述人脸检测结果由所述已训练的人脸检测模型对至少一个第二待检测图像进行人脸检测获得，所述至少一个第二待检测图像由所述已训练的人脸检测模型对所述第一待检测图像进行切割获得。
[0006]第三方面，本申请实施例提供了一种电子设备，包括存储器和处理器，所述存储器耦接到所述处理器，所述存储器存储指令，当所述指令由所述处理器执行时所述处理器执行上述方法。
[0007]第四方面，本申请实施例提供了一种计算机可读取存储介质，所述计算机可读取存储介质中存储有程序代码，所述程序代码可被处理器调用执行上述方法。
[0008]本申请实施例提供的人脸检测方法、装置、电子设备以及存储介质，获取第一待检测图像，当第一待检测图像的分辨率大于指定分辨率时，将第一待检测图像输入已训练的人脸检测模型，获取已训练的人脸检测模型输出的人脸检测结果，其中，人脸检测结果由已训练的人脸检测模型对至少一个第二待检测图像进行人脸检测获得，至少一个第二待检测图像由已训练的人脸检测模型对第一待检测图像进行切割获得，从而实现对分辨率较高图像的人脸识别，并降低了对显存的要求，减小计算量。
附图说明
[0009]为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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申请的一些实施例，对于本领域技术人员来讲，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它的附图。
[0010]图1示出了本申请一个实施例提供的人脸检测方法的流程示意图；
[0011]图2示出了本申请一个实施例提供的人脸检测方法的流程示意图；
[0012]图3示出了本申请的图2所示的人脸检测方法的步骤S210的流程示意图；
[0013]图4示出了本申请一个实施例提供的人脸检测方法的流程示意图；
[0014]图5示出了本申请一个实施例提供的人脸检测方法的流程示意图；
[0015]图6示出了本申请的图5所示的人脸检测方法的步骤S330的流程示意图；
[0016]图7示出了本申请一个实施例提供的人脸检测方法的流程示意图；
[0017]图8示出了本申请一个实施例提供的人脸检测方法的人脸检测结果示意图；
[0018]图9示出了本申请实施例提供的人脸检测装置的模块框图；
[0019]图10示出了本申请实施例用于执行根据本申请实施例的人脸检测方法的电子设备的框图；
[0020]图11示出了本申请实施例的用于保存或者携带实现根据本申请实施例的人脸检测方法的程序代码的存储单元。
具体实施方式
[0021]为了使本
的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。
[0022]随着现代成像技术的发展，人们对电子设备成像质量的要求也越来越高。在远距离成像的场景中，为了呈现更加清晰的画质，图像或视频的分辨率也越来越高。
[0023]目前，针对超高清图像进行人脸检测的场景，可以通过以下两种方式进行检测。
[0024]第一，可以通过HRDNET(High
‑
Resolution Detection Network for Small Objects)网络对超高清图像进行人脸检测，考虑到小目标在超高分辨率图像中检测困难的问题，HRDNET没有直接采用缩放图像的方式放大小目标进行物体检测，原因是这样会带来计算量暴增，导致训练与推理比较困难。HRDNET网络综合利用了深度信息和多尺度信息，这两种信息分别通过MD
‑
IPN(Multi
‑
Depth Image Pyramid Network)和MS
‑
FPN(Multi
‑
Scale Feature Pyramid Network)两部分实现。其中，MD
‑
IPN通过使用多深度主干模型保持位置信息，即将高分辨率输入馈入到浅层网络，保持了更多位置信息的同时降低了计算量；将低层的卷积输入馈入到深层网络中来提出更多语义信息。通过从高到低的卷积层提取小目标不同的特征来提升小目标的表现，同时，维持达吾提的识别效果。MS
‑
FPN这部分用来对齐和融合由MD
‑
IPN生成的多尺度特征图，减少多尺度多深度特征之间的信息不平衡。HRDNet的主要思想是用深层主干网络处理低分辨率的图像，浅层神经网络处理高分辨率图像。证明了使用浅而小的神经网络对高分辨率图像进行提取的优势。虽然HRDNET网络能够在小目标检测上取得了比较领先的精度，但是仍然存在HRDNET网络结构复杂，导致计算量大，多尺度缩放输入过程繁琐的问题，并且HRDNET网络忽略了人脸的关键点等重要信息。
[0025]第二，可以通过Retina Face网络对超高清图像进行人脸检测，Retina Face网络基于只进行分类和边框预测的RetinaNet目标检测框架进行改进。RetinaFace网络在RetinaNet网络框架的基础上，增加了人脸关键点landmark预测，即稠密3D人脸预测。RetinaFace是基于5层特征金字塔结构，从而较为充分地利用了输入图像的多尺度信息。多尺度信息的利用对于远距离人脸的检测更加有效。多任务的损失函数设计除了常用的分类损失和检测框的位置回归外，另外还增加了人脸的5个关键点预测损失和3D mesh的损失。但是，RetinaFace网络在处理超高清图像时会由于显存不足无法直接训练或预测。并且由于远距离成像，导致人本文档来自技高网...

【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：获取第一待检测图像；当所述第一待检测图像的分辨率大于指定分辨率时，将所述第一待检测图像输入已训练的人脸检测模型；获取所述已训练的人脸检测模型输出的人脸检测结果，其中，所述人脸检测结果由所述已训练的人脸检测模型对至少一个第二待检测图像进行人脸检测获得，所述至少一个第二待检测图像由所述已训练的人脸检测模型对所述第一待检测图像进行切割获得。2.根据权利要求1所述的方法，其特征在于，在所述获取第一待检测图像之前，还包括：获取训练图像，并对所述训练图像进行切割，获得多个训练子图像，其中，所述训练图像的分辨率大于所述指定分辨率；对所述多个训练子图像进行融合处理，获得目标图像；对所述目标图像进行人脸检测，获得目标人脸检测结果；基于所述训练图像和所述目标人脸检测结果对预设模型进行训练，获得已训练的人脸检测模型。3.根据权利要求2所述的方法，其特征在于，所述获取训练图像，并对所述训练图像进行切割，获得多个训练子图像，包括：获取训练图像；基于预设重叠切割算法对所述训练图像进行切割，获得所述多个训练子图像。4.根据权利要求3所述的方法，其特征在于，所述训练图像中包括多个人脸图像，所述基于预设重叠切割算法对所述训练图像进行切割，获得所述多个训练子图像，包括：从所述多个人脸图像中确定最大的人脸图像，并获取所述最大的人脸图像对应的人脸图像尺寸；基于所述人脸图像尺寸，确定目标重叠区域的尺寸，其中，所述目标重叠区域用于表征切割后的每相邻两个训练子图像之间的重叠区域；基于所述目标重叠区域的尺寸，对所述训练图像进行切割，获得所述多个训练子图像。5.根据权利要求2所述的方法，其特征在于，所述对所述多个训练子图像进行融合处理，获得目标图像，包括：从所述多个训练子图像中筛选出包括人脸图像的训练子图像，获得N个目标训练子图像，其中，N为大于0的整数；对所述N个目标训练子图像进行融合处理，获得所述目标图像。6.根据权利要求5所述的方法，其特征在于，所述对所述N个目标训练子图像进行融合处理，...

【专利技术属性】
技术研发人员：赵娟萍，
申请(专利权)人：OPPO广东移动通信有限公司，
类型：发明
国别省市：