一种人脸检测方法、装置和设备制造方法及图纸

本发明专利技术公开了一种人脸检测方法，包括：将人脸数据输入到预先训练好的深度可分离卷积中；其中，所述深度可分离卷积采用双路稠密结构；将所述深度可分离卷积中的双路输出数据与所述人脸数据进行整合，以输出特征数据；将所述特征数据与预设锚点框进行映射，输出人脸检测的结果。本发明专利技术还公开了一种人脸检测装置和设备。采用本发明专利技术实施例，能够能有效减少模型尺寸且减少人脸检测过程中的运算量。

A Face Detection Method, Device and Equipment

【技术实现步骤摘要】
一种人脸检测方法、装置和设备
本专利技术涉及人脸检测技术，尤其涉及一种人脸检测方法、装置和设备。
技术介绍
人脸检测算法是一种基于图像视频监控所传输的人脸数据，来准确定位图像信息中的人脸位置。这种技术被广泛地运用在海关关卡监控、在逃犯人追踪以及人员管理中。其技术路线可以总结为：提取人脸的基本特征，然后根据一定的置信度来检测出图中是否有人脸存在。在较早期的一些方案中，许多人工特征被提取出来作为检测的依据，如使用ADABOOST和SVM特征分类。其优点是操作方便且运行速度较快，但是这些方法对场景的泛化能力较差，使得其检测准确率和召回率都较低。之后随着深度学习技术的提升和GPU计算能力的不断增强，有越来越多基于卷积神经网络的技术方案，现有技术中通常使用基于SingleShotDetector(SSD)的人脸检测算法，这种算法的特征提取网络是基于深度学习网络VGG，虽然在准确率、召回率上得到了有效地提升，但是网络模型较大、检测实时性较低，且占用显存较高，不利于移动端设备的封装使用，同时在人脸检测过程中会有较大的计算量。
技术实现思路
本专利技术实施例的目的是提供一种人脸检测方法、装置和设备，能有效减少模型尺寸且减少人脸检测过程中的运算量。为实现上述目的，本专利技术实施例提供了一种人脸检测方法，包括：将人脸数据输入到预先训练好的深度可分离卷积中；其中，所述深度可分离卷积采用双路稠密结构；将所述深度可分离卷积中的双路输出数据与所述人脸数据进行整合，以输出特征数据；将所述特征数据与预设锚点框进行映射，输出人脸检测的结果。与现有技术相比，本专利技术公开的人脸检测方法中，首先将人脸数据输入到预先训练好的深度可分离卷积中，采用双路稠密结构的深度可分离卷积模型，可以在极大地减少模型大小的同时减少人脸检测过程中的运算量；然后将所述深度可分离卷积中的双路输出数据与原始输入数据进行整合，从而提取特征数据，将卷积后的信息与原输入整合，不仅是为了在使用卷积提取特征的同时，将浅层人脸数据更直接地传递到深层，同时也可以减缓深度学习网络的梯度消失问题；最后将特征数据与预设锚点框进行映射，输出人脸检测的结果，可以使得网络对人脸信息的预测在一定的范围之内，为网络提供可靠的人脸尺寸依据，使得其更好地学习和预测人脸信息，从而在有限的网络参数情况下，保持较高的检测性能。作为上述方案的改进，所述将所述深度可分离卷积中的双路输出数据与所述人脸数据进行整合，以输出特征数据后，还包括：将所述特征数据输入到下一个所述深度可分离卷积中；判断下一个所述深度可分离卷积是否为预设的目标深度可分离卷积；若是，则将下一个所述深度可分离卷积中的双路输出数据与所述特征数据进行整合，以输出目标特征数据；若否，则将下一个所述深度可分离卷积中的双路输出数据与所述特征数据进行整合后，将整合后的数据继续输入到下一个所述深度可分离卷积中，直至下一个所述深度可分离卷积为所述目标深度可分离卷积；则，所述将所述特征数据与预设锚点框进行映射，得到人脸检测的结果，包括：将所述目标特征数据与预设锚点框进行映射，得到人脸检测的结果。作为上述方案的改进，所述深度可分离卷积包括第一输出通道和第二输出通道；其中，所述第一输出通道包括1*1卷积层、第一收敛层、3*3深度可分离卷积层、第二收敛层以及非线性层；所述第二输出通道包括1*1卷积层、第一收敛层、5*5深度可分离卷积层、第二收敛层以及非线性层。作为上述方案的改进，所述非线性层为ReLU层或C.ReLU层。作为上述方案的改进，采用损失函数对所述深度可分离卷积进行训练，则，所述深度可分离卷积的训练方法包括：在所述损失函数中输入损失值；其中，所述损失值为预测特征数据和真实特征数据的差值；判断所述损失函数的loss值是否收敛至预设值；若是，则输出训练好的所述深度可分离卷积；若否，则调整所述深度可分离卷积的参数直至所述loss值收敛至预设值。作为上述方案的改进，所述将人脸数据输入到预先训练好的深度可分离卷积前，还包括：对所述人脸数据进行预处理。本专利技术实施例还提供了一种人脸检测装置，包括：数据输入模块，用于将人脸数据输入到预先训练好的深度可分离卷积中；其中，所述深度可分离卷积采用双路稠密结构；数据整合模块，用于将所述深度可分离卷积中的双路输出数据与所述人脸数据进行整合，以输出特征数据；映射模块，用于将所述特征数据与预设锚点框进行映射，输出人脸检测的结果。作为上述方案的改进，所述数据整合模块还用于：将所述特征数据输入到下一个所述深度可分离卷积中；判断下一个所述深度可分离卷积是否为预设的目标深度可分离卷积；若是，则将下一个所述深度可分离卷积中的双路输出数据与所述特征数据进行整合，以输出目标特征数据；若否，则将下一个所述深度可分离卷积中的双路输出数据与所述特征数据进行整合后，将整合后的数据继续输入到下一个所述深度可分离卷积中，直至下一个所述深度可分离卷积为所述目标深度可分离卷积；则，所述映射模块具体用于：将所述目标特征数据与预设锚点框进行映射，得到人脸检测的结果。作为上述方案的改进，所述深度可分离卷积包括第一输出通道和第二输出通道；其中，所述第一输出通道包括1*1卷积层、第一收敛层、3*3深度可分离卷积层、第二收敛层以及非线性层；所述第二输出通道包括1*1卷积层、第一收敛层、5*5深度可分离卷积层、第二收敛层以及非线性层。为实现上述目的，本专利技术实施例还提供一种人脸检测设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述实施例中任一项所述的人脸检测方法。附图说明图1是本专利技术实施例提供的一种人脸检测方法的流程图；图2是本专利技术实施例提供的一种人脸检测方法中深度可分离卷积的结构示意图；图3是本专利技术实施例提供的一种人脸检测方法中深度可分离卷积的双路输出数据与原始输入数据的整合示意图；图4是本专利技术实施例提供的另一种人脸检测方法的流程图；图5是本专利技术实施例提供的一种人脸检测方法中深度可分离卷积训练方法的流程图；图6是本专利技术实施例提供的一种人脸检测装置的结构示意图；图7是本专利技术实施例提供的一种人脸检测设备的结构示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。实施例一参见图1，图1是本专利技术实施例提供的一种人脸检测方法的流程图；包括：S11、将人脸数据输入到预先训练好的深度可分离卷积中；其中，所述深度可分离卷积采用双路稠密结构；S12、将所述深度可分离卷积中的双路输出数据与所述人脸数据进行整合，以输出特征数据；S13、将所述特征数据与预设锚点框进行映射，输出人脸检测的结果。值得说明的是，本专利技术实施例采用的基础模型是根据深度可分离卷积的结构来设计的，所述深度可分离卷积将传统卷积分解为深度卷积和点卷积两部分，从而在保持传统卷积性能的同时极大地减少了卷积的计算量。但是压缩模型的同时意味着会减少性能，因此本专利技术实施例运用基于深度可分离卷积的双路稠密结构，也被称为双路DepthwiseDenseBlock本文档来自技高网...

【技术保护点】
1.一种人脸检测方法，其特征在于，包括：将人脸数据输入到预先训练好的深度可分离卷积中；其中，所述深度可分离卷积采用双路稠密结构；将所述深度可分离卷积中的双路输出数据与所述人脸数据进行整合，以输出特征数据；将所述特征数据与预设锚点框进行映射，输出人脸检测的结果。

【技术特征摘要】
1.一种人脸检测方法，其特征在于，包括：将人脸数据输入到预先训练好的深度可分离卷积中；其中，所述深度可分离卷积采用双路稠密结构；将所述深度可分离卷积中的双路输出数据与所述人脸数据进行整合，以输出特征数据；将所述特征数据与预设锚点框进行映射，输出人脸检测的结果。2.如权利要求1所述的人脸检测方法，其特征在于，所述将所述深度可分离卷积中的双路输出数据与所述人脸数据进行整合，以输出特征数据后，还包括：将所述特征数据输入到下一个所述深度可分离卷积中；判断下一个所述深度可分离卷积是否为预设的目标深度可分离卷积；若是，则将下一个所述深度可分离卷积中的双路输出数据与所述特征数据进行整合，以输出目标特征数据；若否，则将下一个所述深度可分离卷积中的双路输出数据与所述特征数据进行整合后，将整合后的数据继续输入到下一个所述深度可分离卷积中，直至下一个所述深度可分离卷积为所述目标深度可分离卷积；则，所述将所述特征数据与预设锚点框进行映射，得到人脸检测的结果，包括：将所述目标特征数据与预设锚点框进行映射，得到人脸检测的结果。3.如权利要求1所述的人脸检测方法，其特征在于，所述深度可分离卷积包括第一输出通道和第二输出通道；其中，所述第一输出通道包括1*1卷积层、第一收敛层、3*3深度可分离卷积层、第二收敛层以及非线性层；所述第二输出通道包括1*1卷积层、第一收敛层、5*5深度可分离卷积层、第二收敛层以及非线性层。4.如权利要求3所述的人脸检测方法，其特征在于，所述非线性层为ReLU层或C.ReLU层。5.如权利要求1所述的人脸检测方法，其特征在于，采用损失函数对所述深度可分离卷积进行训练，则，所述深度可分离卷积的训练方法包括：在所述损失函数中输入损失值；其中，所述损失值为预测特征数据和真实特征数据的差值；判断所述损失函数的loss值是否收敛至预设值；若是，则输出训练...

【专利技术属性】
技术研发人员：何俊乐，毛亮，朱婷婷，林焕凯，黄仝宇，汪刚，宋一兵，侯玉清，刘双广，
申请(专利权)人：高新兴科技集团股份有限公司，
类型：发明
国别省市：广东,44