人脸检测方法、装置、电子设备及存储介质制造方法及图纸

本发明专利技术实施例公开了一种人脸检测方法、装置、电子设备及存储介质，属于机器学习技术领域，所述方法包括：获取归一化后的人脸图像；使用卷积神经网络对所述归一化后的人脸图像进行特征提取，得到多个人脸检测结果，其中人脸检测采用人脸中心点建模方案，进行特征提取时使用空洞卷积和多尺度多阶段监督训练；对所述多个人脸检测结果进行非极大值抑制，得到最终人脸检测结果。本发明专利技术实施例人脸检测速度快，检测效果好。检测效果好。检测效果好。

【技术实现步骤摘要】
人脸检测方法、装置、电子设备及存储介质


[0001]本专利技术涉及机器学习
，特别是指一种人脸检测方法、装置、电子设备及存储介质。

技术介绍

[0002]CNN(Convolutional Neural Networks，卷积神经网络)在模式识别领域获得了较大的进步，尤其在图像人脸识别领域，识别效果可以远超人眼的辨别效果。由于CNN可以自适应的获得图像的特征并且可以获得较好的分类效果，所以基于CNN的人脸检测也取得了较大的突破。但较多的人脸检测方法将人脸建模成一个矩形框，对人脸的姿态鲁棒性较差。并且现有的很多网络结构通过下采样的方式增加特征图的感受野，但下采样会缩小特征的分辨率，不利于更好的检测出人脸。
[0003]根据人脸候选窗口获取方法的不同，现有基于CNN的人脸检测方法大体上可以分为一阶段人脸检测方法和二阶段人脸检测方法两种。
[0004](1)一阶段人脸检测方法
[0005]一阶段人脸检测方法不需要提取人脸候选窗口，是一种将人脸图像输入到网络中，根据网络的特殊结构获得最终的人脸位置以及人脸置信度，该方法包括Yolo、SSD、SSH、FaceBox等。以SSD为例，图像经过网络的卷积等运算后，会得到一个维度较小的特征图，特征图上的每一个单元(cell)与原图的某一个区域是一一对应的，并且越深层的特征图，其cell对应原图的感受野也就越大，所以较深层的特征图可以用于检测较大的人脸，较浅层的特征图可以用于检测较小的人脸。为了解决人脸的不同尺度和形状，SSD中使用了不同的边长和长宽比对人脸尺度进行放缩，根据分类和回归的训练结果可以获得最终的人脸置信度以及人脸位置。
[0006](2)二阶段人脸检测方法
[0007]该方法首先需要获取人脸候选区域(也称为proposals)，接着使用CNN对人脸候选区域进行分类以及回归。获得proposal的方法有基于传统的方法，如选择性研究(selective research)等，也有使用CNN去获取proposal。该方法由于是对候选窗口进行进一步的分类，所以检测结果相对于一阶段方法来说比较准确。但是，其速度需要依赖于候选窗口的数量以及分类网络的大小，候选窗口数量越多，分类网络越深，往往检测速度也就越慢。
[0008]现有基于CNN的人脸检测技术中，一阶段人脸检测方法由于不需要获取proposal，所以需要网络较深以获得较好的检测效果，并且人脸搜索空间更广，导致训练困难，对数据的要求也比较高；二阶段人脸检测方法检测速度受限于proposal的数量，为了获得较好的检测效果，候选窗口的数量往往较多，并且候选窗口之间会有重叠部分导致大量的重复计算，进而减慢检测的速度。

技术实现思路

[0009]本专利技术实施例要解决的技术问题是提供一种检测速度快，检测效果好的人脸检测方法、装置、电子设备及存储介质。
[0010]为解决上述技术问题，本专利技术实施例提供技术方案如下：
[0011]一方面，提供一种人脸检测方法，包括：
[0012]获取归一化后的人脸图像；
[0013]使用卷积神经网络对所述归一化后的人脸图像进行特征提取，得到多个人脸检测结果，其中人脸检测采用人脸中心点建模方案，进行特征提取时使用空洞卷积和多尺度多阶段监督训练；
[0014]对所述多个人脸检测结果进行非极大值抑制，得到最终人脸检测结果。
[0015]在本专利技术一些实施例中，所述获取归一化后的人脸图像，包括：
[0016]获取人脸图像；
[0017]将所述人脸图像缩放为预设尺寸大小。
[0018]在本专利技术一些实施例中，所述使用卷积神经网络对所述归一化后的人脸图像进行特征提取，得到多个人脸检测结果，包括：
[0019]使用卷积神经网络对所述归一化后的人脸图像进行特征提取，得到多个中间结果，每个中间结果均包括热图、补偿值和人脸尺度；
[0020]根据所述中间结果，得到多个人脸检测结果。
[0021]在本专利技术一些实施例中，所述使用卷积神经网络对所述归一化后的人脸图像进行特征提取，得到多个中间结果，包括阶段1和阶段2，其中，所述阶段1包括：
[0022]将所述归一化后的人脸图像作为阶段1网络的输入，经过空洞卷积、激活函数激活、BN运算获得第一特征图of1，利用of1计算得到热图、补偿值和人脸尺度，完成阶段1监督1的过程；
[0023]对of1继续进行空洞卷积、激活函数激活、BN运算获得第二特征图of2，利用of2计算得到热图、补偿值和人脸尺度，完成阶段1监督2的过程，以此类推，直至完成阶段1所有监督的过程；
[0024]所述阶段2包括：
[0025]第一特征图of1经过特征增强模块，获得阶段2中的第一增强特征图ef1，利用ef1计算得到热图、补偿值和人脸尺度，完成阶段2监督1的过程；
[0026]对ef1继续进行空洞卷积、激活函数激活、BN运算获得第二特征图ef2，利用ef2计算得到热图、补偿值和人脸尺度，完成阶段2监督2的过程，以此类推，直至完成阶段2所有监督的过程。
[0027]在本专利技术一些实施例中，所述特征增强模块的操作为分别对当前特征层和当前特征层的上一特征层进行卷积操作，然后对上一特征层卷积后的特征图进行上采样，对上采样后的结果与当前特征层卷积后的结果进行点乘操作，再使用两个以上空洞卷积进行卷积操作，对获得的特征图进行相加获得最终的特征增强模块输出。
[0028]在本专利技术一些实施例中，所述根据所述中间结果，得到多个人脸检测结果，包括：
[0029]判断热图上任一位置的值是否大于预设阈值，如果是，则认为是人脸中心点位置。
[0030]在本专利技术一些实施例中，所述人脸中心点建模方案认为人脸是正方形，和/或，所
述中间结果还包括定位关键点。
[0031]另一方面，提供一种人脸检测装置，包括：
[0032]获取模块，用于获取归一化后的人脸图像；
[0033]提取模块，用于使用卷积神经网络对所述归一化后的人脸图像进行特征提取，得到多个人脸检测结果，其中人脸检测采用人脸中心点建模方案，进行特征提取时使用空洞卷积和多尺度多阶段监督训练；
[0034]抑制模块，用于对所述多个人脸检测结果进行非极大值抑制，得到最终人脸检测结果。
[0035]再一方面，提供一种电子设备，所述电子设备包括：壳体、处理器、存储器、电路板和电源电路，其中，电路板安置在壳体围成的空间内部，处理器和存储器设置在电路板上；电源电路，用于为上述电子设备的各个电路或器件供电；存储器用于存储可执行程序代码；处理器通过读取存储器中存储的可执行程序代码来运行与可执行程序代码对应的程序，用于执行上述任一所述的方法。
[0036]又一方面，提供一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现上述任一所述的方法。
[0037]本专利技术实施例具有以下有益效果：...

【技术保护点】

【技术特征摘要】
1.一种人脸检测方法，其特征在于，包括：获取归一化后的人脸图像；使用卷积神经网络对所述归一化后的人脸图像进行特征提取，得到多个人脸检测结果，其中人脸检测采用人脸中心点建模方案，进行特征提取时使用空洞卷积和多尺度多阶段监督训练；对所述多个人脸检测结果进行非极大值抑制，得到最终人脸检测结果。2.根据权利要求1所述的方法，其特征在于，所述获取归一化后的人脸图像，包括：获取人脸图像；将所述人脸图像缩放为预设尺寸大小。3.根据权利要求1所述的方法，其特征在于，所述使用卷积神经网络对所述归一化后的人脸图像进行特征提取，得到多个人脸检测结果，包括：使用卷积神经网络对所述归一化后的人脸图像进行特征提取，得到多个中间结果，每个中间结果均包括热图、补偿值和人脸尺度；根据所述中间结果，得到多个人脸检测结果。4.根据权利要求3所述的方法，其特征在于，所述使用卷积神经网络对所述归一化后的人脸图像进行特征提取，得到多个中间结果，包括阶段1和阶段2，其中，所述阶段1包括：将所述归一化后的人脸图像作为阶段1网络的输入，经过空洞卷积、激活函数激活、BN运算获得第一特征图of1，利用of1计算得到热图、补偿值和人脸尺度，完成阶段1监督1的过程；对of1继续进行空洞卷积、激活函数激活、BN运算获得第二特征图of2，利用of2计算得到热图、补偿值和人脸尺度，完成阶段1监督2的过程，以此类推，直至完成阶段1所有监督的过程；所述阶段2包括：第一特征图of1经过特征增强模块，获得阶段2中的第一增强特征图ef1，利用ef1计算得到热图、补偿值和人脸尺度，完成阶段2监督1的过程；对ef1继续进行空洞卷积、激活函数激活、BN运算获得第二特征图ef2，利用ef2计算得到热图、补偿值和人脸尺度，完成阶段2监督2的过程，以此类推，直至完成阶段2所有监督的过程。5...

【专利技术属性】
技术研发人员：王洋，周军，
申请(专利权)人：北京眼神科技有限公司，
类型：发明
国别省市：