[發明專利]人臉位置檢測方法、電子設備和存儲介質

有效

• 申請號: 202110646494.0
• 申請日: 2021-06-10
• 公開（公告）號: CN113095310B
• 公開（公告）日: 2021-09-07
• 發明（設計）人: 葉小培;王月平
• 申請（專利權）人: 杭州魔點科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 杭州創智卓英知識產權代理事務所(普通合伙) 33324
• 代理人: 張超

本申請實施例涉及人臉位置檢測方法、電子設備和存儲介質，屬于人臉識別技術領域，該方法包括：對采集的人臉圖片采用全連接層提取第一特征向量，并拼接為特征向量矩陣；將特征向量矩陣通過預設的分割策略進行分割，并送入特定的跨域全連接層，得到目標向量矩陣；將目標向量矩陣逐行輸入全局平均池化層，并通過全連接層提取第二特征向量；將第二特征向量分別送入置信度全連接層和檢測位置全連接層，得到置信度向量和人臉位置向量；根據人臉位置向量和置信度向量計算出人臉位置。根據本申請實施例，不僅檢測的人臉位置精度高，而且降低了計算量，運算速度快，能夠在運算能力弱的設備上實時運行。

技術領域

本申請涉及人臉識別技術領域，特別是涉及人臉位置檢測方法、電子設備和存儲介質。

背景技術

隨著AI產品相關技術的日漸成熟，人臉檢測技術在很多領域（例如門禁、考勤、金融、人證合一等領域）的應用越來越廣泛。因此，有效的人臉檢測技術顯得越來越重要，其中，人臉位置檢測是指對成像設備上獲取的人臉圖片識別出人臉的相對位置，并過濾掉非人臉數據，人臉數據的輸入形式主要包括照片、視頻等。

目前，主要是通過注意力機制神經網絡和卷積神經網絡來檢測人臉位置，但是上述兩種神經網絡（尤其是大型卷積神經網絡）在運行時運算量很大，所以無法在計算能力較弱的設備（例如門禁設備）上實時運行，對此，相關技術中尚未得到有效的解決。

發明內容

本申請實施例提供了人臉位置檢測方法、電子設備和存儲介質，以至少解決相關技術中神經網絡的運算量很大導致無法在計算能力較弱的設備上實時運行的問題。

第一方面，本申請實施例提供了一種人臉位置檢測方法，包括：對采集的人臉圖片采用全連接層提取第一特征向量，并拼接為特征向量矩陣；將所述特征向量矩陣通過預設的分割策略進行分割，并送入特定的跨域全連接層，得到目標向量矩陣；將所述目標向量矩陣逐行輸入全局平均池化層，并通過全連接層提取第二特征向量；將所述第二特征向量分別送入置信度全連接層和檢測位置全連接層，得到置信度向量和人臉位置向量；根據所述人臉位置向量和所述置信度向量計算出人臉位置。

在其中一些實施例中，所述特定的跨域全連接層包括跨通道域全連接層和跨空間域全連接層。

在其中一些實施例中，所述的對采集的人臉圖片采用全連接層提取第一特征向量，并拼接為特征向量矩陣包括：將采集的人臉圖片歸一化到預設大小的圖片；將所述預設大小的圖片裁剪為預設數量的同樣大小的區塊圖；將每個所述區塊圖展開為一維向量，并輸入全連接層，得到所述預設數量的規定長度的第一特征向量；將所述預設數量的所述第一特征向量縱向拼接為特征向量矩陣。

在其中一些實施例中，在所述特征向量矩陣表示為第一矩陣[n,t]，且n表示特征數量，t表示特征長度的情況下，所述的將所述特征向量矩陣通過預設的分割策略進行分割，并送入特定的跨域全連接層，得到目標向量矩陣包括：

步驟1：將所述第一矩陣[n,t]進行轉置，得到第一轉置矩陣[t,n]；將所述第一轉置矩陣[t,n]拆分成t個長度為n的向量，并送入跨通道域全連接層，再將輸出結果進行縱向拼接，得到第二轉置矩陣[t,n]；將所述第二轉置矩陣[t,n]進行轉置，得到第二矩陣[n,t]；將所述第二矩陣[n,t]與所述第一矩陣[n,t]進行相加，得到第三矩陣[n,t]；

步驟2：將所述第三矩陣[n,t]拆分成n個長度為t的向量并送入跨空間域全連接層，然后送入激活函數Relu中，再將輸出結果進行縱向拼接，得到第四矩陣[n,t]；將所述第四矩陣[n,t]與所述第三矩陣[n,t]進行相加，得到第五矩陣[n,t]；

步驟3：將所述第五矩陣[n,t]作為第一矩陣[n,t]循環執行步驟1至步驟2，當達到預設循環次數時，得到目標向量矩陣。