人脸检测方法、装置、存储介质及设备制造方法及图纸

本发明专利技术公开了一种人脸检测方法、装置、存储介质及设备，属于人脸识别领域。该方法包括：将待检测图像输入训练后的卷积神经网络模型；从卷积神经网络模型的多个不同位置上抽取得到多个特征图，并将多个特征图的感受野作为候选区域；其中，多个特征图的感受野的大小和步长设置应保证候选区域的尺度完全覆盖要求的人脸尺度的范围；根据候选区域的特征进行位置回归和分类，得到人脸检测框和人脸检测框的人脸置信度。本发明专利技术使用感受野替代现有技术的anchor，不再受限于anchor设计经验的限制，并且能够覆盖所有可检测的人脸尺寸，对于大尺度人脸和小尺度人脸都有较高的检出率，在边缘设备上具有较快的检测速度，达到实时的人脸检测效果。效果。效果。

【技术实现步骤摘要】
人脸检测方法、装置、存储介质及设备


[0001]本专利技术涉及人脸识别领域，特别是指一种人脸检测方法、装置、存储介质及设备。

技术介绍

[0002]人脸检测方法在计算视觉领域中一直是一个被长期研究的问题。在实际的使用中，人脸检测是很多人脸相关产品的必备技术，如人脸对齐和人脸识别等。目前，人脸检测方法一般分为基于传统机器学习的方法和基于深度学习的方法。
[0003]基于传统机器学习的方法使用的大多是为专家系统，使用手工设计的特征以及级联分类器的方法进行滑动窗口人脸检测，如Viola
‑
Jones人脸检测器使用的是自适应提升方法和Haar特征来训练具有判别能力的分类器。这一类方法依赖于设计的特征，并且往往不是端到端的，也就是说特征学习和分类是两个独立的的过程。并且尽管基于传统的机器学习方法有较快的分类速度，但无法达到较高的人脸检测准确率。
[0004]基于深度学习的方法通常包括两阶段方法和一阶段方法，两阶段方法如RCNN，fast RCNN等。由于两阶段方法的特征学习和分类是两个独立的的过程，不是一种端到端的模式，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：将待检测图像输入训练后的卷积神经网络模型；从所述卷积神经网络模型的多个不同位置上抽取得到多个特征图，并将所述多个特征图的感受野作为候选区域；其中，所述多个特征图的感受野的大小和步长设置应保证所述候选区域的尺度完全覆盖要求的人脸尺度的范围；根据所述候选区域的特征进行位置回归和分类，得到人脸检测框和人脸检测框的人脸置信度。2.根据权利要求1所述的人脸检测方法，其特征在于，所述卷积神经网络模型通过如下方法训练得到：将用于训练的图像样本输入待训练的卷积神经网络模型，所述图像样本上标注有代表真实人脸的标注框；从所述卷积神经网络模型的多个不同位置上抽取得到多个样本特征图，并将所述多个样本特征图的感受野作为样本候选区域；其中，所述多个样本特征图的感受野的大小和步长应保证所述样本候选区域的尺度完全覆盖要求的人脸尺度的范围；将所述样本候选区域与所述标注框进行匹配，若所述样本候选区域的中心位于所述标注框内，则将所述样本候选区域与所述标注框相匹配；根据所述样本候选区域的特征进行分类和位置回归，得到预测框和预测框的人脸置信度；根据所述预测框、预测框的人脸置信度以及与所述样本候选区域相匹配的标注框计算位置回归损失和分类损失；根据所述位置回归损失和分类损失进行反向传播过程，调整所述卷积神经网络模型的参数，直至所述卷积神经网络模型训练完成。3.根据权利要求2所述的人脸检测方法，其特征在于，所述位置回归损失通过如下公式计算：其中，L
DIoU
为位置回归损失，IoU为所述预测框与所述标注框的交叠率，b和b
gt
分别为所述预测框的中心点和所述标注框的中心点，ρ(b,b
gt
)为b和b
gt
的欧拉距离，c为所述预测框和标注框的最小外接矩形的对角线长度。4.根据权利要求3所述的人脸检测方法，其特征在于，所述预测框的人脸置信度通过如下公式计算：score＝p
α
Io...

【专利技术属性】
技术研发人员：王洋，周军，
申请(专利权)人：北京眼神科技有限公司，
类型：发明
国别省市：