[發明專利]人臉圖像的檢測方法及設備

在審

• 申請號: 201911340156.3
• 申請日: 2019-12-23
• 公開（公告）號: CN111178217A
• 公開（公告）日: 2020-05-19
• 發明（設計）人: 周康明;曹磊磊
• 申請（專利權）人: 上海眼控科技股份有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04
• 代理公司: 上海百一領御專利代理事務所(普通合伙) 31243
• 代理人: 王奎宇;甘章乖

本申請提供了一種人臉圖像的檢測方法及設備，能夠構建基于深度可分離卷積的人臉檢測模型，并將得到的人臉檢測模型部署到移動終端，使得移動終端可使用部署的人臉檢測模型對獲取的待檢測圖像進行人臉檢測，獲取待檢測圖像中的人臉圖像，與傳統的深度卷積神經網絡相比，減少了模型參數的數量和模型計算量，降低了模型整體的檢測時間，使得可在存儲空間和計算資源有限的移動終端上部署人臉檢測模型，滿足了人臉檢測的實時性要求；另外，與現有的輕量化人臉檢測模型相比，還提高了模型的檢測精度。

技術領域

本申請涉及圖像識別領域，尤其涉及一種人臉圖像的檢測方法及設備。

背景技術

人臉檢測是人臉識別、人臉關鍵點檢測、人臉追蹤、人臉表情識別等任務的基礎，一直備受學術界和產業界關注。近年來的人臉檢測技術主要基于通用目標檢測框架而設計，知名的人臉檢測算法有S3FD(SingleShotScale-invariantFaceDetector)、PyramidBox、SRN(Selective Refinement Network)、DSFD(Dual Shot Face Detector)和RetinaFace等。這些算法通常以VGG Net或ResNet等深度卷積神經網絡模型為主干網絡來提取圖像特征，再根據圖像特征進行人臉檢測，根據這些算法構建的人臉檢測模性能較高，但是檢測時間也較長，即使在有GPU加速的情況下也難以達到實時性的要求。深度卷積神經網絡模型檢測時間長的原因在于類似VGG Net或ResNet的深度卷積神經網絡模型的參數量較大，從而導致計算量很大，需要的存儲空間和計算資源很大。而移動終端的存儲空間和計算資源都非常有限，因此上述通過深度卷積神經網絡建立的人臉檢測模型難以直接部署到移動終端上使用。

發明內容

本申請的一個目的是提供一種人臉圖像的檢測方法及設備，用于解決現有基于深度卷積神經網絡的人臉檢測模型難以直接在移動終端上部署的問題。

為實現上述目的，本申請提供了一種人臉圖像的檢測方法，其中，該方法包括：

構建人臉檢測模型，所述人臉檢測模型對應的特征提取網絡包括多個依次連接的圖像特征提取段，所述圖像特征提取段包括依次連接的第一處理塊和多個第二處理塊，所述第一處理塊用于使用深度可分離卷積對輸入的特征圖像進行下采樣后輸出，所述第二處理塊用于對輸入的特征圖像進行通道分離，再使用深度可分離卷積對通道分離后的特征圖像進行特征提取后輸出；

將所述人臉檢測模型部署至移動終端，以使所述移動終端獲取待檢測圖像，并根據所述人臉檢測模型對所述待檢測圖像進行人臉檢測，獲取所述待檢測圖像中的人臉圖像。

進一步地，構建人臉檢測模型，包括：

構建人臉檢測模型對應的特征提取網絡和特征檢測網絡，所述特征提取網絡還包括圖像特征金字塔網絡，所述圖像特征金字塔網絡根據所述圖像特征提取段輸出的特征圖像進行上采樣或下采樣，并將通過上采樣或下采樣得到的特征圖像組成多層次的圖像特征金字塔；所述特征檢測網絡獲取所述圖像特征金字塔網絡輸出的圖像特征金字塔，并根據所述圖像特征金字塔輸出分類特征圖像和回歸特征圖像，所述分類特征圖像用于說明其中像素點屬于人臉的概率，所述回歸特征圖像用于給出人臉框的信息；

將訓練圖像輸入所述特征提取網絡進行人臉特征提取，獲取相應的特征圖像；

將所述特征圖像輸入所述特征檢測網絡進行特征檢測，獲取相應的分類特征圖像和回歸特征圖像；

將所述分類特征圖像與所述訓練圖像預先標注的人臉分類進行比對，確定分類誤差；

將所述回歸特征圖像與所述訓練圖像預先標注的人臉圖像框進行比對，確定回歸特征誤差；

基于所述分類誤差和回歸特征誤差，對所述人臉檢測模型的模型參數進行調整；

在滿足預設的模型訓練停止條件時，將所述人臉檢測模型的當前模型參數確定為訓練好的所述人臉檢測模型的模型參數。