一种人脸检测方法、系统与流程

1.本发明涉及人脸检测领域，尤其涉及一种人脸检测方法、系统。


背景技术：

2.随着信息技术的快速发展，人脸检测技术也在迅速发展，人脸检测作为人脸识别和重构问题中最基本的任务，人脸检测结果直接关乎到人脸识别最终的效果。人脸检测是一种在任意数字图像中找到人脸的位置和大小的计算机技术，它可以检测出面部特征，并忽略诸如建筑物、树木和身体等其他任何东西，人脸检测也负责找到面部的细微特征，如眼睛、鼻子、嘴巴等精细位置。人脸检测技术被广泛应用于日常生活中，给用户日常生活带来了很大的便利。
3.但是，人脸检测技术给用户日常生活带来了很大的便利的同时，也存在无法识别人脸，识别人脸错乱等致命的性能问题，这给人脸检测技术的发展带来了极大的隐患和阻碍。


技术实现要素：

4.为了解决上述技术问题，本发明提供了一种人脸检测方法、系统，可以保障人脸检测的稳定性和准确性。
5.第一方面，本发明提供了一种人脸检测方法，包括：
6.根据预设训练样本优化模型对训练样本图片进行筛选，得到目标样本图片；
7.利用预构建人脸检测模型的区域检测网络检测所述目标样本图片的预测人脸区域图像；
8.利用预构建人脸检测模型的级联分类网络将所述预测人脸区域图像划分为预测标准图像和预测遮挡图像；
9.根据预设模型损失函数，对所述预测标准图像和预测遮挡图像进行模型损失计算，得到预构建人脸检测模型的模型损失；
10.当所述模型损失大于预设损失时，调整所述预构建人脸检测模型参数并返回执行利用预构建人脸检测模型的区域检测网络检测所述目标样本图片的预测人脸区域图像步骤；
11.当所述模型损失不大于所述预设损失时，得到训练好的人脸检测模型，并根据训练好的人脸检测模型对待识别人脸进行人脸检测，得到检测结果。
12.在第一方面的一种可能实现方式中，所述根据预设训练样本优化模型对训练样本图片进行筛选，得到目标样本图片，包括：
13.根据预设训练样本优化模型的候选区域检测网络，检测所述训练样本图片的候选区域；
14.根据预设训练样本优化模型的特征提取网络，提取所述训练样本图片候选区域的区域特征；
15.根据所述区域特征，利用所述预设训练样本优化模型的分类网络，对所述训练样本图片进行筛选，得到目标样本图片。
16.在第一方面的一种可能实现方式中，所述利用预构建人脸检测模型的区域检测网络检测所述目标样本图片的预测人脸区域图像，包括：
17.利用所述区域检测网络的的特征计算模块，对所述目标样本图片进行特征计算，得到所述目标样本图片的区域特征；
18.利用所述区域检测网络的特征融合模块，对所述目标样本图片的区域特征进行特征融合，得到所述目标样本图片的融合特征；
19.利用所述区域检测网络的语义分割模块，对所述融合特征进行语义分割，并根据分割结果确定所述目标样本图片的预测人脸区域图像。
20.在第一方面的一种可能实现方式中，所述利用预构建人脸检测模型的级联分类网络将所述预测人脸区域图像划分为预测标准图像和预测遮挡图像，包括：
21.根据所述预设级联分类网络的人眼定位算法，对所述预测人脸区域图像进行人眼定位，得到人眼区域图像；
22.根据所述预设级联分类网络的遮挡检测算法，对所述预测人脸区域图像进行遮挡识别，得到遮挡区域图像；
23.根据所述预设级联分类网络的预设级联分类器，结合所述人眼区域图像和所述遮挡区域图像，将所述预测人脸区域图像分为预测标准图像和预测遮挡图像。
24.在第一方面的一种可能实现方式中，所述人眼定位算法包括：
[0025][0026]
其中，p(x,y)表示人眼区域图像，t表示人眼定位算法的固定模板，a、b分别表示模板t的模板尺寸，k表示预测人脸区域图像，x、y表示预测人脸区域图像k。
[0027]
在第一方面的一种可能实现方式中，所述遮挡检测算法，包括：
[0028][0029]
其中，l
θ
表示遮挡区域图像，y
·wt
x表示预测人脸区域图像的遮挡人脸特征，b表示预测人脸区域图像的抑制遮挡噪声参数，表示预测人脸区域图像的人脸恢复特征，m表示预测人脸区域图像的遮挡特征分块。
[0030]
在第一方面的一种可能实现方式中，所述根据预设模型损失函数，对所述预测标准图像和预测遮挡图像进行模型损失计算，得到预构建人脸检测模型的模型损失，包括：
[0031]
根据所述预设模型损失函数中标准图像损失算法，对所述预测标准图像进行损失计算，得到第一模型损失；
[0032]
根据所述预设模型损失函数中遮挡图像损失算法，对所述预测遮挡图像进行损失计算，得到第二模型损失；
[0033]
对所述第一模型损失和第二模型损失加权计算，得到预构建人脸检测模型的模型损失。
[0034]
在第一方面的一种可能实现方式中，所述标准图像损失算法包括：
[0035][0036]
其中，l1表示第一模型损失，k表示预测标准图像对应特征融合金字塔的层级，mk表示预测标准图像对应特征层锚点集，值为0或1，qi表示预测标准图像对应模型分类的结果，pi表示预测标准图像对应预测边界框的向量，表示正锚点所对应的真实边界框，表示预测标准图像对应参与分类损失计算的锚点数量，λ1和λ2表示遮挡图像损失算法的权重。
[0037]
在第一方面的一种可能实现方式中，所述对所述第一模型损失和第二模型损失加权计算，得到预构建人脸检测模型的模型损失。
[0038]
利用下述公式计算所述预构建人脸检测模型的模型损失：
[0039]
l
t
＝αl1+βl2[0040]
其中，l
t
表示模型损失，l1表示所述第一模型损失，l2表示所述第二模型损失，α表示第一模型损失的损失权重，β表示第二模型损失的损失权重。
[0041]
第二方面，本发明提供了一种人脸检测装置，所述装置包括：
[0042]
样本优化模块，用于根据预设训练样本优化模型对训练样本图片进行筛选，得到目标样本图片；
[0043]
区域检测模块，用于利用预构建人脸检测模型的区域检测网络检测所述目标样本图片的预测人脸区域图像；
[0044]
图像分类模块，用于利用预构建人脸检测模型的级联分类网络将所述预测人脸区域图像划分为预测标准图像和预测遮挡图像；
[0045]
模型损失计算模块，用于根据预设模型损失函数，对所述预测标准图像和预测遮挡图像进行模型损失计算，得到预构建人脸检测模型的模型损失；
[0046]
模型优化模块，用于当所述模型损失大于预设损失时，调整所述预构建人脸检测模型参数并返回执行利用预构建人脸检测模型的区域检测网络检测所述目标样本图片的预测人脸区域图像步骤；
[0047]
人脸检测模块，用于当所述模型损失不大于所述预设损失时，得到训练好的人脸检测模型，并根据训练好的人脸检测模型对待识别人脸进行人脸检测，得到检测结果。
[0048]
与现有技术相比，本方案的技术原理及有益效果在于：
[0049]
本发明实施例首先利用预设训练样本优化模型对所述训练样本进行筛选，得到目标样本图片，用于在海量的样本中选择出复杂多变的负样本和困难样本，保证所述目标样本图片的有效性和优质性，其次，本发明实施例通过预构建人脸检测模型的区域检测网络检测所述目标样本图片的预测人脸区域图像，用于提取所述目标样本图片的有效区域，保
障后续对所述有效区域进行特征计算的前提；进一步地，本发明实施例通过预构建人脸检测模型的级联分类网络对所述预测人脸区域图像进行分类，进一步确保所述预测人脸区域图像的准确性，并将所述预测人脸区域图像分为预测标准图像和预测遮挡图像，保障后续计算预构建人脸检测模型的模型损失前提；进一步地，本发明实施例根据指定模型损失函数，对所述预测标准图像和预测遮挡图像进行模型损失计算，用于保证后续优化所述预构建人脸检测模型的依据；进一步地，本发明实施例根据模型损失计算结果调整所述预构建板人脸检测模型的参数，用于构建良好的人脸检测模型。因此，本发明实施例提出的人脸检测方法、装置、电子设备以及计算机可读存储介质，可以更好地保证人脸检测的稳定性和准确性。
附图说明
[0050]
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
[0051]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0052]
图1为本发明一实施例提供的一种人脸检测方法的流程示意图；
[0053]
图2为本发明一实施例提供的一种人脸检测装置的模块示意图；
[0054]
图3为本发明一实施例提供的人脸检测方法的电子设备的内部结构示意图。
具体实施方式
[0055]
应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不用于限定本发明。
[0056]
本发明实施例提供一种人脸检测方法，所述人脸检测方法的执行主体包括但不限于服务端、终端等能够被配置为执行本发明实施例提供的该方法的电子设备中的至少一种。换言之，所述人脸检测方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(content delivery network，cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器。
[0057]
参阅图1所示，是本发明一实施例提供的一种人脸检测方法的流程示意图。其中，图1中描述的一种人脸检测方法包括：
[0058]
s1、根据预设训练样本优化模型对训练样本图片进行筛选，得到目标样本图片。
[0059]
本发明实施例通过获训练样本图片，根据预设训练样本优化模型对所述训练样本图片进行筛选，得到目标样本图片，用于在海量的样本中选择出复杂多变的负样本和困难样本，保证所述目标样本图片的有效性和优质性。其中，所述训练样本图片是指各种不同包含目标图像或不包含目标图像以及存在干扰目标图像的图片集，所述训练样本图片可以来自于任意开源图片库，例如：wider face库，所述预设训练样本优化模型是指能通过候选区
域检测网络、特征提取网络以及分类网络对所述训练样本图片进行优化处理的图片筛选模型，所述目标样本图片是指根据所述设训练样本优化模型筛选后得到的有效优质目标样本图片。
[0060]
作为本发明的一个实施例，所述根据预设训练样本优化模型对训练样本图片进行筛选，得到目标样本图片，包括：利用所述预设训练样本优化模型的候选区域检测网络，检测所述训练样本图片的候选区域；利用所述预设训练样本优化模型的特征提取网络，提取所述候选区域的区域特征；根据所述区域特征，利用所述预设训练样本优化模型的分类网络，对所述训练样本图片进行筛选，得到目标样本图片。
[0061]
其中，所述候选区域检测网络是指能将图片分成若干个不同尺寸的像素组作为候选区域的一种检测算法，例如：穷举法、选择性搜索算法，所述候选区域是指根据所述区域检测模型检测后得到的不同尺寸的候选框；所述特征提取网络是指能提取所述候选区域的角点、梯度特征点、线型边缘特征、纹理特征等局部特征的提取算法，例如：harris算子、asift、psift算子、canny算子、marr算子灰度共生矩阵、小波gabor算子等，所述区域特征是指根据所述预设特征提取网络提取后得到的样本图片的局部特征；所述分类网络是指能对所述区域特征进行线性分类和回归的函数模型，例如：hard_mining、sample_pos、sample_neg、sample_pos以及_sample_neg函数等，所述目标样本图片是指根据所述预设训练样本优化模型筛选后得到的有效优质的样本图片。
[0062]
进一步地，本发明一可选实施中，利用预设的two stage的目标检测算法的selective search(选择性搜索算法)检测所述训练样本图片的候选区域，具体地，所述selective search将所述训练样本图片的每一个像素作为一组并计算每个像素的纹理，进一步地，将相近的组合起来形成更大的像素组，继续合并各个像素组得到不同尺寸的bbox候选框作为候选区域；利用预设的alexnet网络提取所述训练样本图片候选区域的区域特征，具体地，所述alexnet网络根据relu激活函数计算所述候选区域的矩阵尺寸、根据dropout模型各方那句所述矩阵尺寸结构提取所述候选区域的区域特征；利用边框回归的非极大值抑制分析所述区域特征的线性特征，根据hard_mining、sample_pos、sample_neg、sample_pos以及_sample_neg函数计算所述线性特征得到正负困难样本以及其他样本，筛选出所述正负困难样本作为有效优质的样本图片。
[0063]
进一步地，需要声明的是，所述预设训练样本优化模型涉及的two stage、selective search、alexnet、dropout、hard_mining、sample_pos、sample_neg、sample_pos技术都属于当前较为成熟的技术，在此不做进一步的阐述。
[0064]
s2、利用预构建人脸检测模型的区域检测网络检测所述目标样本图片的预测人脸区域图像。
[0065]
本发明实施例通过利用预构建人脸检测模型的区域检测网络检测所述目标样本图片的预测人脸区域图像，用于提取所述目标样本图片的有效区域，保障后续对所述有效区域进行特征计算的前提。其中，所述预构建人脸检测模型是指所述人脸检测模型的初始形态，所述预构建人脸检测模型人脸检测能力相对不够完善；所述区域检测网络是指通过特征计算模块、特征融合模块以及语义分割模块得到所述目标样本图片有效区域的计算方式；所述预测人脸区域图像是指所述有效区域集组成的预测目标图像。
[0066]
作为本发明的一个实施例，所述利用预构建人脸检测模型的区域检测网络检测所
述目标样本图片的预测人脸区域图像，包括：利用所述区域检测网络的的特征计算模块，对所述目标样本图片进行特征计算，得到所述目标样本图片的区域特征；利用所述区域检测网络的特征融合模块，对所述目标样本图片的区域特征进行特征融合，得到所述目标样本图片的融合特征；利用所述区域检测网络的语义分割模块，对所述融合特征进行语义分割，并根据分割结果确定所述目标样本图片的预测人脸区域图像。
[0067]
其中，所述特征计算模块是指能计算所述目标样本图片的二值模式特征的一种算法，例如：lbp算子、mb-lbp算法，所述区域特征是指所述特征计算模块计算得到的局部二值模式特征；所述特征融合模块是指能对所述目标样本图片的区域特征进行语义和细节相互补充的一种算法，所述特征融合模块以卷积神经网络中的特征融合为基础，利用特征融合金字塔结构同时以空间和通道注意力学习的方式融合高低层特征，实现所述目标样本图片区域特征的语义和细节相互补充；所述语义分割模块是指能对所述融合特征进行挑选并训练分类器的一种的算法，根据所述训练的分类器对所述融合特征进行筛选，得到符合分类器权值的预测人脸区域图像，完成对所述融合特征进行语义分割。
[0068]
进一步地，本发明一可选实施中，利用基于多块局部二值模式的adaboost算法将所述目标样本图片分为若干个像素点数目相等的子区域，并把每个子区域平均灰度值与中心区域平均灰度值作比较，将比较结果串联成二进制模式编码计算所述目标样本图片的区域特征。
[0069]
进一步地，本发明一可选实施例中，利用下述公式对所述目标样本图片的区域特征进行特征融合：
[0070][0071]
其中，φk和φ
k+1
表示目标样本图片的浅层特征和更深层特征，μ表示更深层特征的反卷积操作，θ表示反卷积操作的参数，表示融合特征。
[0072]
进一步地，本发明一可选实施中，通过dfs算法进行语义分割，对所述融合进行挑选并训练分类器，根据所述分类器建立人脸样本和非人脸样本权值的阈值，根据所述阈值对所述融合特征进行筛选，得到符合分类器权值的预测人脸区域图像。
[0073]
s3、利用预构建人脸检测模型的级联分类网络将所述预测人脸区域图像划分为预测标准图像和预测遮挡图像。
[0074]
本发明实施例利用预构建人脸检测模型的级联分类网络对所述预测人脸区域图像进行分类，进一步确保所述预测人脸区域图像的准确性，并将所述预测人脸区域图像分为预测标准图像和预测遮挡图像，保障后续计算预构建人脸检测模型的模型损失前提。其中，所述级联分类网络是指通过预设计算方法对所述预测人脸区域图像进行针对计算的一种算法方式，并根据计算结果过滤错误预测人脸区域图像，同时根据预设分类模板对正确预测人脸区域图像进行分类；所述预测标准图像是指光线、角度、人脸位置和人脸尺寸图像特征正常的预测人脸区域图像，所述预设遮挡图像是指光线条件差，人脸角度非正面，面部戴眼镜口罩等相关预测人脸区域图像。作为本发明的一个实施例，所述利用预构建人脸检测模型的级联分类网络将所述预测人脸区域图像划分为预测标准图像和预测遮挡图像，包括：根据所述预设级联分类网络的人眼定位算法，对所述预测人脸区域图像进行人眼定位，得到人眼区域图像；根据所述预设级联分类网络的遮挡检测算法，对所述预测人脸区域图
像进行遮挡识别，得到遮挡区域图像；根据所述预设级联分类网络的预设级联分类器，结合所述人眼区域图像和所述遮挡区域图像，将所述预测人脸区域图像分为预测标准图像和预测遮挡图像。
[0075]
其中，所述预设人眼定位算法是指计算所述预测人脸区域图像是否包含人眼定位的计算方式，所述遮挡检测算法是指对所述不包含人眼定位的预测人脸区域图像进行遮挡检测的计算方式，所述预设级联分类器是指自定义的分类模板。
[0076]
进一步地，本发明一可选实施例中，所述人眼定位算法包括：
[0077][0078]
其中，p(x,y)表示人眼区域图像，t表示人眼定位算法的固定模板，a、b分别表示模板t的模板尺寸，k表示预测人脸区域图像，x、y表示预测人脸区域图像k左上角的顶点的坐标。
[0079]
进一步地，本发明一可选实施例中，进一步地，本发明一可选实施例中，所所述遮挡检测算法，包括：
[0080][0081]
其中，l
θ
表示遮挡区域图像，y
·wt
x表示预测人脸区域图像的遮挡人脸特征，b表示预测人脸区域图像的抑制遮挡噪声参数，表示预测人脸区域图像的人脸恢复特征，m表示预测人脸区域图像的遮挡特征分块。
[0082]
进一步地，本发明一可选实施例中，在传统的haar分类器中加入人眼定位检测和遮挡检测，根据所述人眼定位检测结果筛选预测标准图像，根据所述遮挡检测结果筛选预测遮挡图像，所述人眼定位检测和遮挡检测同时可以过滤错误人脸预测图像。
[0083]
s4、根据预设模型损失函数，对所述预测标准图像和预测遮挡图像进行模型损失计算，得到预构建人脸检测模型的模型损失。
[0084]
本发明实施例根据预设模型损失函数，对所述预测标准图像和预测遮挡图像进行模型损失计算，用于保证后续优化所述预构建人脸检测模型的依据。其中，所述模型损失函数是指度量所述预构建人脸检测模型的预测值和真实值之间差异的算法，所述模型损失函数包括：0-1损失函数、log损失函数、logistic回归算法的损失函数等。
[0085]
作为本发明的一个实施例，所述根据预设模型损失函数，对所述预测标准图像和预测遮挡图像进行模型损失计算，得到预构建人脸检测模型的模型损失，包括：根据所述预设模型损失函数中标准图像损失算法，对所述预测标准图像进行损失计算，得到第一模型
损失；根据所述预设模型损失函数中遮挡图像损失算法，对所述预测遮挡图像进行损失计算，得到第二模型损失；对所述第一模型损失和第二模型损失加权计算，得到预构建人脸检测模型的模型损失。
[0086]
其中，所述标准图像损失算法是指计算所述标准图像模型损失的特定函数，所述遮挡图像损失算法是指计算所述遮挡图像模型损失的特定函数。
[0087]
进一步地，本发明一可选实施例中，所述标准图像损失算法包括：
[0088][0089]
其中，l1表示第一模型损失，k表示预测标准图像对应特征融合金字塔的层级，mk表示预测标准图像对应特征层锚点集，值为0或1，qi表示预测标准图像对应模型分类的结果，pi表示预测标准图像对应预测边界框的向量，表示正锚点所对应的真实边界框，表示预测标准图像对应参与分类损失计算的锚点数量，λ1和λ2表示遮挡图像损失算法的权重。
[0090]
进一步地，本发明一可选实施例中，所述预设级联分类网络的遮挡检测算法如下所示：
[0091][0092]
其中，l2表示第二模型损失，w、t表示预测遮挡图像的遮挡检测参数，y表示预测遮挡图像，λ表示模型损失系数。
[0093]
进一步地，本发明又一可选实施例中，利用下述加权公式计算所述预构建人脸检测模型的模型损失：
[0094]
l
t
＝αl1+βl2[0095]
其中，l
t
表示模型损失，l1表示所述第一模型损失，l2表示所述第二模型损失，α表示第一模型损失的损失权重，β表示第二模型损失的损失权重。
[0096]
s5、当所述模型损失大于预设损失时，调整所述预构建人脸检测模型参数并返回执行利用预构建人脸检测模型的区域检测网络检测所述目标样本图片的预测人脸区域图像步骤。
[0097]
本发明实施例通过对所述预测标准图像和预测遮挡图像进行模型损失计算，得到预构建人脸检测模型的模型损失，当所述模型损失大于预设损失时，调整所述预构建板人脸检测模型的参数，用于构建良好的人脸检测模型。其中，所述预构建人脸检测模型的模型参数可以通过梯度下降算法进行调整，如随机梯度下降算法。
[0098]
进一步地，所述模型损失大于预设损失时，返回执行所述利用预构建人脸检测模型的区域检测网络检测所述目标样本图片的预测人脸区域图像步骤，在此不做进一步地赘述。
[0099]
s6、当所述模型损失不大于所述预设损失时，得到训练好的人脸检测模型，并根据训练好的人脸检测模型对待识别人脸进行人脸检测，得到检测结果。
[0100]
作为本发明的一个实施例，通过利用通过对所述预测标准图像和预测遮挡图像进
行模型损失计算，得到预构建人脸检测模型的模型损失，当所述模型损失不大于所述预设损失时，得到训练好的人脸检测模型，并利用所述训练好的人脸检测模型进行人脸检测。。
[0101]
可以看出，本发明实施例首先利用预设训练样本优化模型对所述训练样本进行筛选，得到目标样本图片，用于在海量的样本中选择出复杂多变的负样本和困难样本，保证所述目标样本图片的有效性和优质性，其次，本发明实施例通过预构建人脸检测模型的区域检测网络检测所述目标样本图片的预测人脸区域图像，用于提取所述目标样本图片的有效区域，保障后续对所述有效区域进行特征计算的前提；进一步地，本发明实施例通过预构建人脸检测模型的级联分类网络对所述预测人脸区域图像进行分类，进一步确保所述预测人脸区域图像的准确性，并将所述预测人脸区域图像分为预测标准图像和预测遮挡图像，保障后续计算预构建人脸检测模型的模型损失前提；进一步地，本发明实施例根据指定模型损失函数，对所述预测标准图像和预测遮挡图像进行模型损失计算，用于保证后续优化所述预构建人脸检测模型的依据；进一步地，本发明实施例根据模型损失计算结果调整所述预构建板人脸检测模型的参数，用于构建良好的人脸检测模型。因此，本发明实施例提出的人脸检测方法、装置、电子设备以及计算机可读存储介质，可以更好地保证人脸检测的稳定性和准确性。
[0102]
如图2所示，是本发明一种人脸检测装置的功能模块图。
[0103]
本发明所述一种人脸检测装置200可以安装于电子设备中。根据实现的功能，所述一种人脸检测装置可以包括样本优化模块201、区域检测模块202、图像分类模块203、模型损失计算模块204以及模型优化模块205。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
[0104]
在本发明实施例中，关于各模块/单元的功能如下：
[0105]
所述样本优化模块201，用于根据预设训练样本优化模型对训练样本图片进行筛选，得到目标样本图片；
[0106]
所述区域检测模块202，用于利用预构建人脸检测模型的区域检测网络检测所述目标样本图片的预测人脸区域图像；
[0107]
所述图像分类模块203，用于利用预构建人脸检测模型的级联分类网络将所述预测人脸区域图像划分为预测标准图像和预测遮挡图像；
[0108]
所述模型损失计算模块204，用于根据预设模型损失函数，对所述预测标准图像和预测遮挡图像进行模型损失计算，得到预构建人脸检测模型的模型损失；
[0109]
所述模型优化模块205，用于当所述模型损失大于预设损失时，调整所述预构建人脸检测模型参数并返回执行利用预构建人脸检测模型的区域检测网络检测所述目标样本图片的预测人脸区域图像步骤；
[0110]
所述人脸检测模块206，用于当所述模型损失不大于所述预设损失时，得到训练好的人脸检测模型，并根据训练好的人脸检测模型对待识别人脸进行人脸检测，得到检测结果。
[0111]
详细地，本发明实施例中所述一种人脸检测装置200中的所述各模块在使用时采用与上述的图1至图3中所述的一种人脸检测方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
[0112]
如图3所示，是本发明实现一种人脸检测方法的电子设备的结构示意图。
[0113]
所述电子设备可以包括处理器30、存储器31、通信总线32以及通信接口33，还可以包括存储在所述存储器31中并可在所述处理器30上运行的计算机程序，如人脸检测程序。
[0114]
其中，所述处理器30在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(central processing unit，cpu)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器30是所述电子设备的控制核心(control unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器31内的程序或者模块(例如执行人脸检测程序等)，以及调用存储在所述存储器31内的数据，以执行电子设备的各种功能和处理数据。
[0115]
所述存储器31至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：sd或dx存储器等)、磁性存储器、磁盘、光盘等。所述存储器31在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器31在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(smart media card，smc)、安全数字(secure digital，sd)卡、闪存卡(flash card)等。进一步地，所述存储器31还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器31不仅可以用于存储安装于电子设备的应用软件及各类数据，例如一种人脸检测程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
[0116]
所述通信总线32可以是外设部件互连标准(peripheral component interconnect，简称pci)总线或扩展工业标准结构(extended industry standard architecture，简称eisa)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器31以及至少一个处理器30等之间的连接通信。
[0117]
所述通信接口33用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如wi-fi接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(display)、输入单元(比如键盘(keyboard))，可选地，所述用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是led显示器、液晶显示器、触控式液晶显示器以及oled(organic light-emitting diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
[0118]
图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
[0119]
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器30逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、wi-fi模块等，在此不再赘
述。
[0120]
应该了解，所述实施例仅为说明之用，在专利发明范围上并不受此结构的限制。
[0121]
所述电子设备中的所述存储器31存储的人脸检测保护程序是多个计算机程序的组合，在所述处理器30中运行时，可以实现：
[0122]
根据预设训练样本优化模型对训练样本图片进行筛选，得到目标样本图片；
[0123]
利用预构建人脸检测模型的区域检测网络检测所述目标样本图片的预测人脸区域图像；
[0124]
利用预构建人脸检测模型的级联分类网络将所述预测人脸区域图像划分为预测标准图像和预测遮挡图像；
[0125]
根据预设模型损失函数，对所述预测标准图像和预测遮挡图像进行模型损失计算，得到预构建人脸检测模型的模型损失；
[0126]
当所述模型损失大于预设损失时，调整所述预构建人脸检测模型参数并返回执行利用预构建人脸检测模型的区域检测网络检测所述目标样本图片的预测人脸区域图像步骤；
[0127]
当所述模型损失不大于所述预设损失时，得到训练好的人脸检测模型，并根据训练好的人脸检测模型对待识别人脸进行人脸检测，得到检测结果。
[0128]
具体地，所述处理器30对上述计算机程序的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
[0129]
进一步地，所述电子设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个非易失性计算机可读取存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)。
[0130]
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
[0131]
根据预设训练样本优化模型对训练样本图片进行筛选，得到目标样本图片；
[0132]
利用预构建人脸检测模型的区域检测网络检测所述目标样本图片的预测人脸区域图像；
[0133]
利用预构建人脸检测模型的级联分类网络将所述预测人脸区域图像划分为预测标准图像和预测遮挡图像；
[0134]
根据预设模型损失函数，对所述预测标准图像和预测遮挡图像进行模型损失计算，得到预构建人脸检测模型的模型损失；
[0135]
当所述模型损失大于预设损失时，调整所述预构建人脸检测模型参数并返回执行利用预构建人脸检测模型的区域检测网络检测所述目标样本图片的预测人脸区域图像步骤；
[0136]
当所述模型损失不大于所述预设损失时，得到训练好的人脸检测模型，并根据训练好的人脸检测模型对待识别人脸进行人脸检测，得到检测结果。
[0137]
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的
划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
[0138]
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
[0139]
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
[0140]
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
[0141]
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
[0142]
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0143]
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所发明的原理和新颖特点相一致的最宽的范l围。

技术特征：
1.一种人脸检测方法，其特征在于，所述方法包括：根据预设训练样本优化模型对训练样本图片进行筛选，得到目标样本图片；利用预构建人脸检测模型的区域检测网络检测所述目标样本图片的预测人脸区域图像；利用预构建人脸检测模型的级联分类网络将所述预测人脸区域图像划分为预测标准图像和预测遮挡图像；根据预设模型损失函数，对所述预测标准图像和预测遮挡图像进行模型损失计算，得到预构建人脸检测模型的模型损失；当所述模型损失大于预设损失时，调整所述预构建人脸检测模型参数并返回执行利用预构建人脸检测模型的区域检测网络检测所述目标样本图片的预测人脸区域图像步骤；当所述模型损失不大于所述预设损失时，得到训练好的人脸检测模型，并根据训练好的人脸检测模型对待识别人脸进行人脸检测，得到检测结果。2.根据权利要求1所述的方法，其特征在于，所述根据预设训练样本优化模型对训练样本图片进行筛选，得到目标样本图片，包括：利用所述预设训练样本优化模型的候选区域检测网络，检测所述训练样本图片的候选区域；利用所述预设训练样本优化模型的特征提取网络，提取所述候选区域的区域特征；根据所述区域特征，利用所述预设训练样本优化模型的分类网络，对所述训练样本图片进行筛选，得到目标样本图片。3.根据权利要求1所述的方法，其特征在于，所述利用预构建人脸检测模型的区域检测网络检测所述目标样本图片的预测人脸区域图像，包括：利用所述区域检测网络的的特征计算模块，对所述目标样本图片进行特征计算，得到所述目标样本图片的区域特征；利用所述区域检测网络的特征融合模块，对所述目标样本图片的区域特征进行特征融合，得到所述目标样本图片的融合特征；利用所述区域检测网络的语义分割模块，对所述融合特征进行语义分割，并根据分割结果确定所述目标样本图片的预测人脸区域图像。4.根据权利要求1所述的方法，其特征在于，所述利用预构建人脸检测模型的级联分类网络将所述预测人脸区域图像划分为预测标准图像和预测遮挡图像，包括：根据所述预设级联分类网络的人眼定位算法，对所述预测人脸区域图像进行人眼定位，得到人眼区域图像；根据所述预设级联分类网络的遮挡检测算法，对所述预测人脸区域图像进行遮挡识别，得到遮挡区域图像；根据所述预设级联分类网络的预设级联分类器，结合所述人眼区域图像和所述遮挡区域图像，将所述预测人脸区域图像分为预测标准图像和预测遮挡图像。5.根据权利要求4所述的方法，其特征在于，所述人眼定位算法包括：
其中，p(x,y)表示人眼区域图像，t表示人眼定位算法的固定模板，a、b分别表示模板t的模板尺寸，k表示预测人脸区域图像，x、y表示预测人脸区域图像k。6.根据权利要求4所述的方法，其特征在于，所述遮挡检测算法，包括：其中，l
θ
表示遮挡区域图像，y
·
w
t
x表示预测人脸区域图像的遮挡人脸特征，b表示预测人脸区域图像的抑制遮挡噪声参数，y
·
w
ti
f
i
表示预测人脸区域图像的人脸恢复特征，m表示预测人脸区域图像的遮挡特征分块。7.根据权利要求1所述的方法，其特征在于，所述根据预设模型损失函数，对所述预测标准图像和预测遮挡图像进行模型损失计算，得到预构建人脸检测模型的模型损失，包括：根据所述预设模型损失函数中标准图像损失算法，对所述预测标准图像进行损失计算，得到第一模型损失；根据所述预设模型损失函数中遮挡图像损失算法，对所述预测遮挡图像进行损失计算，得到第二模型损失；对所述第一模型损失和第二模型损失加权计算，得到预构建人脸检测模型的模型损失。8.根据权利要求7所述的方法，其特征在于，所述标准图像损失算法包括：其中，l1表示第一模型损失，k表示预测标准图像对应特征融合金字塔的层级，m
k
表示预测标准图像对应特征层锚点集，q
*i
值为0或1，q
i
表示预测标准图像对应模型分类的结果，p
i
表示预测标准图像对应预测边界框的向量，p
*i
表示正锚点所对应的真实边界框，n
ka
表示预测标准图像对应参与分类损失计算的锚点数量，λ1和λ2表示遮挡图像损失算法的权重。9.根据权利要求7所述的方法，其特征在于，所述对所述第一模型损失和第二模型损失加权计算，得到预构建人脸检测模型的模型损失。利用下述公式计算所述预构建人脸检测模型的模型损失：l
t
＝αl1+βl2其中，l
t
表示模型损失，l1表示所述第一模型损失，l2表示所述第二模型损失，α表示第一模型损失的损失权重，β表示第二模型损失的损失权重。10.一种人脸检测方法装置，其特征在于，所述装置包括：
样本优化模块，用于根据预设训练样本优化模型对训练样本图片进行筛选，得到目标样本图片；区域检测模块，用于利用预构建人脸检测模型的区域检测网络检测所述目标样本图片的预测人脸区域图像；图像分类模块，用于利用预构建人脸检测模型的级联分类网络将所述预测人脸区域图像划分为预测标准图像和预测遮挡图像；模型损失计算模块，用于根据预设模型损失函数，对所述预测标准图像和预测遮挡图像进行模型损失计算，得到预构建人脸检测模型的模型损失；模型优化模块，用于当所述模型损失大于预设损失时，调整所述预构建人脸检测模型参数并返回执行利用预构建人脸检测模型的区域检测网络检测所述目标样本图片的预测人脸区域图像步骤；人脸检测模块，用于当所述模型损失不大于所述预设损失时，得到训练好的人脸检测模型，并根据训练好的人脸检测模型对待识别人脸进行人脸检测，得到检测结果。

技术总结
本发明涉及人脸检测领域，揭露一种人脸检测方法、系统，所述方法包括：获取训练样本图片并对所述训练样本图片进行筛选，得到目标样本图片；利用预构建人脸检测模型的区域检测网络检测所述目标样本图片的预测人脸区域图像；利用预构建人脸检测模型的级联分类网络将所述预测人脸区域图像划分为预测标准图像和预测遮挡图像；进一步根据预设模型损失算法，对所述预测标准图像和预测遮挡图像进行模型损失计算，得到预构建人脸检测模型的模型损失；根据模型损失，调整预构建人脸检测模型的参数，生成训练好的人脸检测模型，以对待识别人脸进行人脸检测，得到检测结果。本发明可以提高人脸检测的稳定性和准确性。脸检测的稳定性和准确性。脸检测的稳定性和准确性。


技术研发人员：梁运登 李冬梅 谭玉芳
受保护的技术使用者：梁运登
技术研发日：2023.03.07
技术公布日：2023/7/13