[發明專利]低光照度人臉檢測方法、裝置、計算機設備及存儲介質

在審

• 申請號: 202210330203.1
• 申請日: 2022-03-28
• 公開（公告）號: CN115147892A
• 公開（公告）日: 2022-10-04
• 發明（設計）人: 胡懋成;李德民;王秋陽;宋素林
• 申請（專利權）人: 深圳市賽為智能股份有限公司
• 主分類號: G06V40/16
• 分類號: G06V40/16;G06N3/04
• 代理公司: 深圳市精英專利事務所 44242
• 代理人: 李燕娥

1.低光照度人臉檢測方法，其特征在于，包括：

獲取待檢測圖像；

將所述待檢測圖像輸入人臉檢測模型內進行人臉檢測，以得到檢測結果；

輸出所述檢測結果；

其中，所述人臉檢測模型通過若干組由低光照度人臉圖像以及正常光照度人臉圖像構成圖像對作為樣本集訓練由梯度引導的對抗生成網絡以及目標檢測網絡構成的模型所得的。

2.根據權利要求1所述的低光照度人臉檢測方法，其特征在于，所述人臉檢測模型通過若干組由低光照度人臉圖像以及正常光照度人臉圖像構成圖像對作為樣本集訓練由梯度引導的對抗生成網絡以及目標檢測網絡構成的模型所得的，包括：

獲取若干組由低光照度人臉圖像以及正常光照度人臉圖像構成圖像對，以得到樣本集；

將所述樣本集輸入梯度引導的對抗生成網絡內進行處理，以得到處理結果；

將所述處理結果輸入至目標檢測網絡內進行人臉目標框的檢測，以得到目標框檢測結果；

根據所述處理結果、目標框檢測結果結合對應的損失函數進行梯度引導的對抗生成網絡以及目標檢測網絡的參數調整，且當對應的損失函數計算所得的損失值趨于收斂時，確定梯度引導的對抗生成網絡以及目標檢測網絡為人臉檢測模型。

3.根據權利要求2所述的低光照度人臉檢測方法，其特征在于，所述將所述樣本集輸入梯度引導的對抗生成網絡內進行處理，以得到處理結果，包括：

將所述樣本集輸入至梯度引導的對抗生成網絡內，且所述樣本集內的低光照度人臉圖像通過Laplacian算子、Sobel算子以及Scharr算子處理，以得到三個梯度圖；

對三個梯度圖進行處理，以得到三個梯度特征；

對所述樣本集內的低光照度人臉圖像進行特征提取，以得到圖像特征；

將所述圖像特征以及三個梯度特征進行對應位置元素的兩兩相乘，以得到三個相乘特征；

對第三個相乘特征通過梯度引導的對抗生成網絡內的下采樣殘差塊進行處理，以得到三個下采樣特征；

對第三個下采樣特征進行上采樣處理，以得到特征圖以及增強人臉光照圖像；

對第三個相乘特征進行上采樣，并將上采樣的結果與第三個下采樣特征進行原始特征直接拼接處理，以得到處理結果。

4.根據權利要求3所述的低光照度人臉檢測方法，其特征在于，所述對所述樣本集內的低光照度人臉圖像進行特征提取，以得到圖像特征，包括：

采用梯度引導的對抗生成網絡中的空間信息提取分支對所述樣本集內的低光照度人臉圖像進行特征提取，以得到空間特征；

采用梯度引導的對抗生成網絡中的語義信息提取分支對所述樣本集內的低光照度人臉圖像進行特征提取，以得到語義特征；

將所述空間特征以及語義特征進行合并，以得到圖像特征。

5.根據權利要求4所述的低光照度人臉檢測方法，其特征在于，所述空間信息提取分支包括空間可分離卷積、SE Inception、可變形卷積、兩個卷積以及relu激活函數。

6.根據權利要求4所述的低光照度人臉檢測方法，其特征在于，所述語義信息提取分支包括深度可分離卷積、CBAM模塊、空洞卷積、兩個卷積以及mish激活函數。

7.根據權利要求2所述的低光照度人臉檢測方法，其特征在于，所述將所述處理結果輸入至目標檢測網絡內進行人臉目標框的檢測，以得到目標框檢測結果，包括：

將所述處理結果輸入至CenterNet網絡內的特征提取hourglass模塊的第三個下采樣模塊中，并刪除CenterNet網絡內的前兩個下采樣模塊，進行人臉目標框的檢測，以得到目標框檢測結果。