人脸检测模型的训练方法、人脸检测方法及装置制造方法及图纸

本申请提供一种人脸检测模型的训练方法、人脸检测方法及装置，人脸检测模型包括主干网络以及检测分支以及回归分支，检测分支以及回归分支分别串接于主干网络，训练方法包括迭代执行的训练步骤，训练步骤包括：将训练样本输入至人脸检测模型中，分别获得检测分支输出的检测人脸特征以及回归分支输出的回归人脸特征；根据检测人脸特征与训练样本的样本人脸特征，计算检测分支的第一损失函数；根据回归人脸特征与训练样本的样本人脸特征，计算回归分支的第二损失函数；基于第一损失函数以及第二损失函数的加权和，计算融合损失函数；基于融合损失函数，调整检测分支和/或回归分支的网络参数。本申请提高人脸检测算法的鲁棒性。本申请提高人脸检测算法的鲁棒性。本申请提高人脸检测算法的鲁棒性。

【技术实现步骤摘要】
人脸检测模型的训练方法、人脸检测方法及装置


[0001]本申请涉及图像处理领域，尤其涉及一种人脸检测模型的训练方法、人脸检测方法及装置。

技术介绍

[0002]目前，多数网络结构直接对场景图像进行检测分析，得到场景中的人脸区域，例如，基于MTCNN(Multi
‑
taskconvolutionalneuralnetwork，多任务卷积神经网络)算法的人脸检测和关键点提取算法，直接对输入图像进行检测分析；又例如，在一些开源算法库中，也直接对输入的图像进行人脸区域检测，然后输出对应区域内的人脸关键点。
[0003]然而，上述算法针对场景图像直接进行检测算法分析，在实际检测中，由于实际场景环境复杂，往往会对一些情况缺乏鲁棒性，比如侧脸或者低头状态时，很难有效的检测出场景中的人脸区域，进而无法有效的进行人脸特征识别。
[0004]由此，如何提高人脸检测算法的鲁棒性，进而提高人脸检测准确率，是本领域技术人员亟待解决的技术问题。

技术实现思路

[0005]本申请为了克服上述现有技术存在的缺陷，提供一种人脸检本文档来自技高网...

【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，所述人脸检测模型包括主干网络以及检测分支以及回归分支，所述检测分支以及回归分支分别串接于所述主干网络，所述主干网络用于提取输入图像的初始特征，所述检测分支用于基于所述初始特征获取检测人脸特征，所述回归分支用于基于所述初始特征获取回归人脸特征，所述回归人脸特征与所述检测人脸特征为相同类型的人脸特征，所述训练方法包括迭代执行的训练步骤，所述训练步骤包括：将训练样本输入至所述人脸检测模型中，分别获得所述检测分支输出的检测人脸特征以及所述回归分支输出的回归人脸特征；根据所述检测人脸特征与所述训练样本的样本人脸特征，计算所述检测分支的第一损失函数；根据所述回归人脸特征与所述训练样本的样本人脸特征，计算所述回归分支的第二损失函数；基于所述第一损失函数以及所述第二损失函数的加权和，计算融合损失函数；基于所述融合损失函数，调整所述检测分支和/或所述回归分支的网络参数。2.如权利要求1所述的人脸检测模型的训练方法，其特征在于，所述训练方法包括迭代执行的交叉训练步骤，所述交叉训练步骤包括迭代执行的检测分支的训练步骤以及迭代执行的回归分支的训练步骤，在所述检测分支的训练步骤中，所述回归分支的网络参数保持不变，且所述第二损失函数的权重为0；在所述回归分支的训练步骤中，所述检测分支的网络参数保持不变，且所述第一损失函数的权重为0。3.如权利要求2所述的人脸检测模型的训练方法，其特征在于，所述训练方法还包括迭代执行的同步训练步骤，所述同步训练步骤中，所述第一损失函数的权重基于所述第一损失函数的值更新，且所述第一损失函数的权重与所述第一损失函数的值反向相关，所述第二损失函数的权重基于所述第二损失函数的值更新，且所述第二损失函数的权重与所述第二损失函数的值反向相关。4.如权利要求3所述的人脸检测模型的训练方法，其特征在于，所述同步训练步骤响应于所述交叉训练步骤执行完成后执行；或者所述同步训练步骤在检测分支的训练步骤和回归分支的训练步骤之间执行。5.如权利要求1所述的人脸检测模型的训练方法，其特征在于，所述第一损失函数为多个第一子损失函数的加权和，所述第一子损失函数的权重基于所述第一子损失函数的值更新，且所述第一子损失函数的权重与所述第一子损失函...

【专利技术属性】
技术研发人员：孟祥昊，肖潇，张峰，
申请(专利权)人：苏州科达科技股份有限公司，
类型：发明
国别省市：