[發明專利]一種人臉檢測的方法和裝置

有效

• 申請號: 201611082414.9
• 申請日: 2016-11-30
• 公開（公告）號: CN106778550B
• 公開（公告）日: 2020-02-07
• 發明（設計）人: 萬韶華
• 申請（專利權）人: 北京小米移動軟件有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04;G06N3/08
• 代理公司: 11138 北京三高永信知識產權代理有限責任公司
• 代理人: 林錦瀾

1.一種人臉檢測的方法，其特征在于，應用于人臉檢測應用程序的后臺服務器，所述方法包括：

在待使用的深度卷積網絡模型中，獲取目標卷積層的卷積核，所述目標卷積層為一個卷積層或者多個卷積層；

對所述目標卷積層的每個卷積核進行典范CP分解，分別得到每個卷積核對應的低秩卷積核；

在所述待使用的深度卷積網絡模型中，將所述目標卷積層的每個卷積核分別替換為對應的低秩卷積核，得到調整后的深度卷積網絡模型；

將所述調整后的深度卷積網絡模型中的模型參數的取值，設置為所述調整后的深度卷積網絡模型的所述模型參數的訓練初始值，所述模型參數包括卷積核中的參數、池化核中的參數；

在訓練過程中，確定所述調整后的深度卷積網絡模型對應的目標函數，所述目標函數的自變量是所述調整后的深度卷積網絡模型的輸入，所述目標函數的因變量是所述調整后的深度卷積網絡模型的輸出，所述目標函數中的參數是所述模型參數，所述目標函數中的參數包括多個參數；

將第一樣本圖像作為所述調整后的深度卷積網絡模型的輸入，進行前向傳播，確定所述目標函數的輸出值，如果所述目標函數的輸出值與所述第一樣本圖像對應的預設基準輸出值的差值不小于預設閾值，則將所述目標函數與所述預設基準輸出值取差值，并平方，得到損失函數L；

獲取預設的學習率α，基于所述預設的學習率α、所述損失函數L以及計算每個參數下一次使用的參數值，直到計算出所述調整后的深度卷積網絡模型中模型參數中每個參數下一次使用的參數值，其中，所述n為第n次計算參數值，所述w為所述目標函數中的參數；

將計算出的模型參數的參數值更新至所述調整后的深度卷積網絡模型中，并將所述第一樣本圖像作為所述調整后的深度卷積網絡模型的輸入，執行前向傳播和后向傳播，直到當所述第一樣本圖像作為所述調整后的深度卷積網絡模型的輸入時得到的輸出值與所述第一樣本圖像對應的預設基準輸出值小于所述預設閾值時，將此次模型參數的參數值確定為所述第一樣本圖像對應的模型參數的訓練值；

對于預設的每個樣本圖像，按照確定所述第一樣本圖像對應的模型參數的訓練值的方法，確定所述每個樣本圖像對應的模型參數的訓練值；

確定所述每個樣本圖像對應的所述模型參數的訓練值的平均值；

將所述調整后的深度卷積網絡模型中所述模型參數的取值調整為對應的平均值，得到重訓練后的深度卷積網絡模型；

將待檢測圖像輸入所述重訓練后的深度卷積網絡模型，經過卷積處理和池化處理后，得到N*N的圖像，將所述N*N的圖像分割為等大小的預設數目個圖像塊；

對于每個圖像塊，以圖像塊的中心位置點為候選框的中心位置點，按照寬高比例為1:2、1:1和2:1和面積為1282、2562和5122的9個候選框在所述圖像塊中添加候選框，并確定每個候選框的位置信息，獲取所述每個候選框中圖像的圖像特征向量；

對于所述每個候選框中圖像的圖像特征向量，將所述圖像特征向量乘以預設矩陣，得到所述每個候選框包含的圖像特征的類別，以及所述每個候選框需要調整的位置，確定所述待檢測圖像中人臉的位置信息。

2.根據權利要求1所述的方法，其特征在于，所述對所述目標卷積層的卷積核進行CP分解，得到所述目標卷積層的低秩卷積核，包括：

對所述目標卷積層的卷積核d×d×S×T進行CP分解，得到所述目標卷積層的四個低秩卷積核d×R、d×R、S×R和T×R，其中，d為卷積核的行數與列數，S為色彩通道的數目，T為所述目標卷積層的卷積核的數目、R為所述目標卷積層的卷積核的秩。

3.根據權利要求1所述的方法，其特征在于，所述對所述目標卷積層的卷積核進行CP分解，得到所述目標卷積層的低秩卷積核，包括：

如果所述目標卷積層的卷積核為滿秩矩陣，則對所述目標卷積層的卷積核進行CP分解，得到所述目標卷積層的低秩卷積核。