[發(fā)明專利]一種人臉檢測(cè)方法、裝置、電子設(shè)備及存儲(chǔ)介質(zhì)

在審

• 申請(qǐng)?zhí)枺?/td>: 202110850122.X
• 申請(qǐng)日: 2021-07-27
• 公開（公告）號(hào): CN113569723A
• 公開（公告）日: 2021-10-29
• 發(fā)明（設(shè)計(jì)）人: 胡一博;吳杭通;石海林;梅濤;周伯文
• 申請(qǐng)（專利權(quán)）人: 北京京東尚科信息技術(shù)有限公司
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/62;G06N3/04
• 代理公司: 北京集佳知識(shí)產(chǎn)權(quán)代理有限公司 11227
• 代理人: 藏斌

1.一種人臉檢測(cè)方法，其特征在于，所述方法包括：

獲取待檢測(cè)低光照?qǐng)D像，并對(duì)所述待檢測(cè)低光照?qǐng)D像進(jìn)行圖像增強(qiáng)處理；

對(duì)進(jìn)行了圖像增強(qiáng)處理的所述待檢測(cè)低光照?qǐng)D像進(jìn)行多尺度變換處理，得到多張目標(biāo)待檢測(cè)低光照?qǐng)D像，其中，每張所述目標(biāo)待檢測(cè)低光照?qǐng)D像的尺寸均不同；

針對(duì)每個(gè)預(yù)訓(xùn)練的人臉檢測(cè)模型，將多張所述目標(biāo)待檢測(cè)低光照?qǐng)D像輸入所述預(yù)訓(xùn)練的人臉檢測(cè)模型，以使所述預(yù)訓(xùn)練的人臉檢測(cè)模型對(duì)每張所述目標(biāo)待檢測(cè)低光照?qǐng)D像進(jìn)行人臉檢測(cè)，得到每張所述目標(biāo)待檢測(cè)低光照?qǐng)D像的人臉檢測(cè)結(jié)果，并對(duì)將每個(gè)所述目標(biāo)待檢測(cè)低光照?qǐng)D像的人臉檢測(cè)結(jié)果進(jìn)行合并的結(jié)果進(jìn)行處理，得到所述預(yù)訓(xùn)練的人臉檢測(cè)模型的目標(biāo)人臉檢測(cè)結(jié)果；

對(duì)將各個(gè)所述預(yù)訓(xùn)練的人臉檢測(cè)模型的目標(biāo)人臉檢測(cè)結(jié)果進(jìn)行合并的結(jié)果進(jìn)行非極大值抑制處理，得到所述待檢測(cè)低光照?qǐng)D像的人臉檢測(cè)結(jié)果。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述獲取待檢測(cè)低光照?qǐng)D像，并對(duì)所述待檢測(cè)低光照?qǐng)D像進(jìn)行圖像增強(qiáng)處理，包括：

利用帶色彩恢復(fù)的多尺度視網(wǎng)膜增強(qiáng)算法MSRCR，對(duì)所述待檢測(cè)低光照?qǐng)D像進(jìn)行圖像增強(qiáng)處理。

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，每個(gè)所述預(yù)訓(xùn)練的人臉檢測(cè)模型的主干網(wǎng)絡(luò)不同，每個(gè)所述預(yù)訓(xùn)練的人臉檢測(cè)模型均是利用進(jìn)行了圖像增強(qiáng)處理的歷史待檢測(cè)低光照?qǐng)D像訓(xùn)練得到。

4.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述利用進(jìn)行了圖像增強(qiáng)處理的歷史待檢測(cè)低光照?qǐng)D像對(duì)待訓(xùn)練人臉檢測(cè)模型進(jìn)行訓(xùn)練得到預(yù)訓(xùn)練的人臉檢測(cè)模型的過程，包括：

獲取多個(gè)訓(xùn)練數(shù)據(jù)，每個(gè)所述訓(xùn)練數(shù)據(jù)是利用帶色彩恢復(fù)的多尺度視網(wǎng)膜增強(qiáng)算法MSRCR和小臉數(shù)據(jù)增強(qiáng)算法對(duì)歷史待檢測(cè)低光照?qǐng)D像進(jìn)行圖像增強(qiáng)處理得到的；

針對(duì)每個(gè)所述訓(xùn)練數(shù)據(jù)，將所述訓(xùn)練數(shù)據(jù)輸入待訓(xùn)練人臉檢測(cè)模型，以使所述待訓(xùn)練人臉檢測(cè)模型對(duì)所述訓(xùn)練數(shù)據(jù)進(jìn)行人臉檢測(cè)，得到所述歷史待檢測(cè)低光照?qǐng)D像的人臉檢測(cè)結(jié)果，根據(jù)歷史待檢測(cè)低光照?qǐng)D像的人臉檢測(cè)結(jié)果計(jì)算相應(yīng)的損失函數(shù)，以便根據(jù)所述損失函數(shù)對(duì)所述待訓(xùn)練人臉檢測(cè)模型的參數(shù)進(jìn)行調(diào)整，直至所述待訓(xùn)練人臉檢測(cè)模型達(dá)到收斂，得到人臉檢測(cè)模型。

5.根據(jù)權(quán)利要求3所述的方法，其特征在于，若所述待訓(xùn)練人臉檢測(cè)模型的主干網(wǎng)絡(luò)為ResNet50神經(jīng)網(wǎng)絡(luò)，所述ResNet50神經(jīng)網(wǎng)絡(luò)包括輸入層、3個(gè)階段、與每個(gè)所述階段相連的卷積層，以及與每個(gè)所述卷積層相連上下文模塊，所述利用進(jìn)行了圖像增強(qiáng)處理的歷史待檢測(cè)低光照?qǐng)D像對(duì)待訓(xùn)練人臉檢測(cè)模型進(jìn)行訓(xùn)練得到預(yù)訓(xùn)練的人臉檢測(cè)模型的過程，包括：

將所述訓(xùn)練數(shù)據(jù)通過所述輸入層輸入待訓(xùn)練的ResNet50神經(jīng)網(wǎng)絡(luò)；

分別利用3個(gè)所述階段對(duì)所述訓(xùn)練數(shù)據(jù)進(jìn)行處理，得到每個(gè)所述階段對(duì)應(yīng)的特征圖；

分別利用每個(gè)所述階段對(duì)應(yīng)的所述卷積層對(duì)每個(gè)所述階段對(duì)應(yīng)的所述特征圖進(jìn)行縮小處理，得到每個(gè)所述卷積層對(duì)應(yīng)的目標(biāo)特征圖，并對(duì)每個(gè)所述目標(biāo)特征圖進(jìn)行多尺度融合處理得到的融合結(jié)果輸入每個(gè)所述卷積層對(duì)應(yīng)的所述上下文模塊；

基于每個(gè)所述上下文模塊對(duì)輸入的融合結(jié)果進(jìn)行處理得到的特征圖，計(jì)算每個(gè)所述上下文模塊的多任務(wù)損失函數(shù)，并利用每個(gè)所述上下文模塊的所述多任務(wù)損失函數(shù)對(duì)所述待訓(xùn)練的ResNet50神經(jīng)網(wǎng)絡(luò)的參數(shù)進(jìn)行調(diào)整，直至所述待訓(xùn)練的ResNet50神經(jīng)網(wǎng)絡(luò)達(dá)到收斂，得到人臉檢測(cè)模型。

6.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述人臉檢測(cè)結(jié)果至少包括至少一個(gè)人臉框和每個(gè)所述人臉框?qū)?yīng)的置信度，所述方法還包括：

判斷每個(gè)所述人臉框?qū)?yīng)的置信度是否大于預(yù)設(shè)的置信度閾值；

若每個(gè)所述人臉框?qū)?yīng)的置信度大于所述預(yù)設(shè)的置信度閾值，將所述人臉檢測(cè)結(jié)果確定為所述待檢測(cè)低光照?qǐng)D像的最終人臉檢測(cè)結(jié)果。