面部图像的检测方法、装置、存储介质及电子设备制造方法及图纸

本申请实施例提供了一种面部图像的检测方法、装置、存储介质及电子设备，其中，该方法包括：获取待检测的目标面部图像和N个超分图像，其中，N个超分图像中每个超分图像是目标面部图像中的面部区域的分辨率提升了对应的目标倍数的图像，N为大于1的正整数；对目标面部图像和N个超分图像进行面部检测，得到N+1个参考面部检测框；根据N+1个参考面部检测框检测目标面部图像对应的目标面部检测框。通过本申请，解决了面部图像检测的准确度较低的问题，进而达到了提高面部图像检测的准确度的效果。进而达到了提高面部图像检测的准确度的效果。进而达到了提高面部图像检测的准确度的效果。

【技术实现步骤摘要】
面部图像的检测方法、装置、存储介质及电子设备


[0001]本申请实施例涉及计算机领域，具体而言，涉及一种面部图像的检测方法
、
装置
、
存储介质及电子设备
。

技术介绍

[0002]图像分析领域中的一种应用方式为面部图像识别，面部图像识别是基于面部特征信息进行身份识别的生物识别技术，如何提高面部图像检测的精度，成为了亟待解决的问题
。
现有技术中，通常基于深度学习预先训练面部图像检测模型，使用面部图像检测模型对输入的图像进行检测，识别图像中存在的面部图像，但是这样虽然能够在一定程度上进行面部图像检测，但是对于图像中存在的细节信息仍然存在被遗漏掉的风险，从而影响检测精度
。
[0003]针对相关技术中，面部图像检测的准确度较低等问题，尚未提出有效的解决方案
。

技术实现思路

[0004]本申请实施例提供了一种面部图像的检测方法
、
装置
、
存储介质及电子设备，以至少解决相关技术中面部图像检测的准确度较低的问题
。
[0005]根据本申请的一个实施例，提供了一种面部图像的检测方法，包括：
[0006]获取待检测的目标面部图像和
N
个超分图像，其中，所述
N
个超分图像中每个所述超分图像是所述目标面部图像中的面部区域的分辨率提升了对应的目标倍数的图像，
N
为大于1的正整数；
[0007]对所述目标面部图像和所述
N
个超分图像进行面部检测，得到
N+1
个参考面部检测框；
[0008]根据所述
N+1
个参考面部检测框检测所述目标面部图像对应的目标面部检测框
。
[0009]在一个示例性实施例中，所述获取待检测的目标面部图像和
N
个超分图像，包括：获取所述目标面部图像；将所述目标面部图像输入
N
级超分模型，其中，所述
N
级超分模型包括
N
个级联的超分子模型，第一级的所述超分子模型用于将所述目标面部图像按照第一级对应的提升倍数进行分辨率提升，第二级至第
N
级的所述超分子模型用于将上一级输出的图像按照每一级对应的提升倍数进行分辨率提升；获取每一级所述超分子模型输出的图像，得到所述
N
个超分图像，其中，每一级输出的图像对应的所述目标倍数为每一级对应的提升倍数与每一级之前的全部层级对应的提升倍数的乘积
。
[0010]在一个示例性实施例中，在所述将所述目标面部图像输入
N
级超分模型之前，所述方法还包括：获取第一样本集，其中，所述第一样本集包括标注了第一标签的第一图像样本，所述第一标签包括：
N
个按照对应的所述目标倍数提升所述第一图像样本的分辨率得到的第一超分图像样本；使用所述第一样本集对
N
级初始超分模型进行训练，得到所述
N
级超分模型，其中，所述
N
级初始超分模型包括
N
个级联的初始超分子模型，第一级的所述初始超分子模型用于将所述第一图像样本按照第一级对应的提升倍数进行分辨率提升，第二级至
第
N
级的所述初始超分子模型用于将上一级输出的图像按照每一级对应的提升倍数进行分辨率提升
。
[0011]在一个示例性实施例中，所述使用所述第一样本集对
N
级初始超分模型进行训练，得到所述
N
级超分模型，包括：将所述第一图像样本输入所述
N
级初始超分模型，得到每一级所述初始超分子模型输出的图像，得到
N
个参考图像；将所述
N
个参考图像与
N
个所述第一超分图像样本代入超分损失函数，得到所述第一图像样本对应的第一损失值；根据所述第一损失值调整所述
N
级初始超分模型的第一模型参数，直至所述
N
级初始超分模型满足第一结束条件，得到所述
N
级超分模型
。
[0012]在一个示例性实施例中，所述将所述
N
个参考图像与
N
个所述第一超分图像样本代入超分损失函数，得到所述第一图像样本对应的第一损失值，包括：将所述
N
个参考图像与
N
个所述第一超分图像样本代入上一轮得到的所述超分损失函数，得到所述第一图像样本对应的第一损失值；所述根据所述第一损失值调整所述
N
级初始超分模型的第一模型参数，包括：根据所述第一损失值调整所述第一模型参数以及上一轮得到的所述超分损失函数中的权重参数，其中，所述超分损失函数为
N
个初始超分子模型的损失函数的加权和
。
[0013]在一个示例性实施例中，所述超分损失函数为：
[0014]；其中，为放大因子，至分别为每一级初始超分子模型的输入图像的宽，至分别为每一级初始超分子模型的输入图像的高，至分别为
N
个所述第一超分图像样本，至分别为输入每一级初始超分子模型的图像，为初始超分子模型，至为每一级初始超分子模型的第一模型参数，至分别为所述
N
个参考图像，至分别为每一级初始超分子模型对应的权重
。
[0015]在一个示例性实施例中，所述
N
个级联的超分子模型中每一级对应的提升倍数相同
。
[0016]在一个示例性实施例中，所述超分子模型，包括：依次连接的深度残差网络和子像素卷积网络，其中，所述深度残差网络用于对输入的图像进行特征提取，得到特征图像；所述子像素卷积网络用于对输入的所述特征图像进行分辨率提升
。
[0017]在一个示例性实施例中，所述深度残差网络，包括：一个残差模块，或者，多个级联的残差模块，其中，每个残差模块包括：一个残差结构，或者，多个级联的残差结构；每个残差结构包括：特征提取层和连接层，所述特征提取层包括多个并联的提取分支；所述多个并联的提取分支，用于对输入的图像进行多个尺度的特征提取；所述连接层，用于对所述多个
并联的提取分支所提取的特征进行特征连接
。
[0018]在一个示例性实施例中，所述对所述目标面部图像和所述
N
个超分图像进行面部检测，得到
N+1
个参考面部检测框，包括：分别将所述目标面部图像和所述
N
个超分图像输入至
N+1
个面部检测模型中对应的面部检测模型；获取每个所述面部检测模型输出的面部检测框，得到所述
N+1
个参考面部检测框
。
[0019]在一个示例性实施例中，在所述分别将所述目标面部图像和所述
N
个超分图像输入至
N+1<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种面部图像的检测方法，其特征在于，包括：获取待检测的目标面部图像和
N
个超分图像，其中，所述
N
个超分图像中每个所述超分图像是所述目标面部图像中的面部区域的分辨率提升了对应的目标倍数的图像，
N
为大于1的正整数；对所述目标面部图像和所述
N
个超分图像进行面部检测，得到
N+1
个参考面部检测框；根据所述
N+1
个参考面部检测框检测所述目标面部图像对应的目标面部检测框
。2.
根据权利要求1所述的方法，其特征在于，所述获取待检测的目标面部图像和
N
个超分图像，包括：获取所述目标面部图像；将所述目标面部图像输入
N
级超分模型，其中，所述
N
级超分模型包括
N
个级联的超分子模型，第一级的所述超分子模型用于将所述目标面部图像按照第一级对应的提升倍数进行分辨率提升，第二级至第
N
级的所述超分子模型用于将上一级输出的图像按照每一级对应的提升倍数进行分辨率提升；获取每一级所述超分子模型输出的图像，得到所述
N
个超分图像，其中，每一级输出的图像对应的所述目标倍数为每一级对应的提升倍数与每一级之前的全部层级对应的提升倍数的乘积
。3.
根据权利要求2所述的方法，其特征在于，在所述将所述目标面部图像输入
N
级超分模型之前，所述方法还包括：获取第一样本集，其中，所述第一样本集包括标注了第一标签的第一图像样本，所述第一标签包括：
N
个按照对应的所述目标倍数提升所述第一图像样本的分辨率得到的第一超分图像样本；使用所述第一样本集对
N
级初始超分模型进行训练，得到所述
N
级超分模型，其中，所述
N
级初始超分模型包括
N
个级联的初始超分子模型，第一级的所述初始超分子模型用于将所述第一图像样本按照第一级对应的提升倍数进行分辨率提升，第二级至第
N
级的所述初始超分子模型用于将上一级输出的图像按照每一级对应的提升倍数进行分辨率提升
。4.
根据权利要求3所述的方法，其特征在于，所述使用所述第一样本集对
N
级初始超分模型进行训练，得到所述
N
级超分模型，包括：将所述第一图像样本输入所述
N
级初始超分模型，得到每一级所述初始超分子模型输出的图像，得到
N
个参考图像；将所述
N
个参考图像与
N
个所述第一超分图像样本代入超分损失函数，得到所述第一图像样本对应的第一损失值；根据所述第一损失值调整所述
N
级初始超分模型的第一模型参数，直至所述
N
级初始超分模型满足第一结束条件，得到所述
N
级超分模型
。5.
根据权利要求4所述的方法，其特征在于，所述将所述
N
个参考图像与
N
个所述第一超分图像样本代入超分损失函数，得到所述第一图像样本对应的第一损失值，包括：将所述
N
个参考图像与
N
个所述第一超分图像样本代入上一轮得到的所述超分损失函数，得到所述第一图像样本对应的第一损失值；所述根据所述第一损失值调整所述
N
级初始超分模型的第一模型参数，包括：根据所述
第一损失值调整所述第一模型参数以及上一轮得到的所述超分损失函数中的权重参数，其中，所述超分损失函数为
N
个初始超分子模型的损失函数的加权和
。6.
根据权利要求5所述的方法，其特征在于，所述超分损失函数为：；其中，为放大因子，至分别为每一级初始超分子模型的输入图像的宽，至分别为每一级初始超分子模型的输入图像的高，至分别为
N
个所述第一超分图像样本，至分别为输入每一级初始超分子模型的图像，为初始超分子模型，至为每一级初始超分子模型的第一模型参数，至分别为所述
N
个参考图像，至分别为每一级初始超分子模型对应的权重
。7.
根据权利要求2所述的方法，其特征在于，所述
N
个级联的超分子模型中每一级对应的提升倍数相同
。8.
根据权利要求7所述的方法，其特征在于，所述超分子模型，包括：依次连接的深度残差网络和子像素卷积网络，其中，所述深度残差网络用于对输入的图像进行特征提取，得到特征图像；所述子像素卷积网络用于对输入的所述特征图像进行分辨率提升
。9.
根据权利要求8所述的方法，其特征在于，所述深度残差网络，包括：一个残差模块，或者，多个级联的残差模块，其中，每个残差模块包括：一个残差结构，或者，多个级联的残差结构；每个残差结构包括：特征提取层和连接层，所述特征提取层包括多个并联的提取分支；所述多个并联的提取分支，用于对输入的图像进行多个尺度的特征提取；所述连接层，用于对所述多个并联的提取分支所提取的特征进行特征连接
。10.
根据权利要求1所述的方法，其特征在于，所述对所述目标面部图像和所述
N
个超分图像进行面部检测，得到
N+1
个参考面部检测框，包括：分别将所述目标面部图像和所述
N
个超分图像输入至
N+1
个面部检测模型中对应的面部检测模型；获取每个所述面部检测模型输出的面部检测框，得到所述
N+1
个参考面部检测框
。11.
根据权...

【专利技术属性】
技术研发人员：尹云峰，史宏志，温东超，张英杰，葛沅，赵雅倩，
申请(专利权)人：苏州元脑智能科技有限公司，
类型：发明
国别省市：