[发明专利]人脸检测方法、卷积神经网络参数的训练方法、装置及介质

权利要求书

1.一种人脸检测方法，其特征在于，所述方法包括：

获取待检测图像，其中，所述待检测图像为人脸图像或非人脸图像；

将所述待检测图像输入至训练得到的卷积神经网络，识别所述待检测图像中是否包含人脸并对人脸姿态进行估计，其中训练所述卷积神经网络的训练样本集中的训练样本图像包括人脸的位置数据及姿态数据，其中，所述人脸的位置数据为人脸的脸框中心的横坐标与纵坐标，以及人脸的长度与宽度，所述姿态数据包括人脸的俯仰角、偏航角以及翻滚角；

若所述待检测图像包含人脸，根据所述训练得到的卷积神经网络获取所述待检测图像中人脸的位置数据；

若所述待检测图像中人脸的位置数据包含至少两组位置数据，通过非极大值抑制算法获取所述待检测图像中人脸的准确位置；

输出所述待检测图像中人脸在所述准确位置时的人脸姿态信息。

2.如权利要求1所述的方法，其特征在于，所述方法还包括：

通过用于训练的卷积神经网络模型的卷积层提取训练样本图像的特征，得到特征图，所述特征图由若干特征单元组成；

根据所述训练样本图像中人脸的位置数据和聚类算法获取所述若干特征单元中每一特征单元的锚框。

3.如权利要求2所述的方法，其特征在于，所述根据所述训练样本图像中人脸的位置数据和聚类算法获取所述若干特征单元中每一特征单元的锚框，包括：

初始化特征单元的待确定锚框的长和宽；

计算所述待确定锚框与所述训练样本图像的位置数据所确定的标准框的交集与并集的比值，根据所述比值确定聚类算法中的距离参数；

迭代所述待确定锚框的长和宽，获取所述聚类算法对应的迭代结束条件到达时所述待确定锚框的长和宽，得到所述特征单元的锚框。

4.如权利要求1所述的方法，其特征在于，所述方法还包括：

根据预设损失函数和训练算法训练预设卷积神经网络模型，获得所述预设卷积神经网络模型的网络参数的值，得到所述训练得到的卷积神经网络，所述预设损失函数用于计算训练样本图像中人脸存在与否的损失、训练样本图像中人脸姿态的损失以及训练样本图像中人脸的位置数据所确定的区域的偏置量的损失。

5.一种卷积神经网络参数的训练方法，其特征在于，所述方法包括：

获取训练样本集，所述训练样本集中的训练样本图像包括人脸的位置数据及姿态数据，其中，所述人脸的位置数据为人脸的脸框中心的横坐标与纵坐标，以及人脸的长度与宽度，所述姿态数据包括人脸的俯仰角、偏航角以及翻滚角；

根据所述训练样本集、训练算法和预设损失函数训练预设卷积神经网络模型，得到所述预设卷神经网络模型的网络参数的值，所述预设损失函数用于计算训练样本图像中人脸存在与否的损失、训练样本图像中人脸姿态的损失以及训练样本图像中人脸的位置数据所确定的区域的偏置量的损失。

6.一种人脸检测装置，其特征在于，所述人脸检测装置包括：

图像获取模块，用于获取待检测图像，其中，所述待检测图像为人脸图像或非人脸图像；

处理模块，用于将所述待检测图像输入至训练得到的卷积神经网络，识别所述待检测图像中是否包含人脸并对人脸姿态进行估计，其中训练所述卷积神经网络的训练样本集中的训练样本图像包括人脸的位置数据及姿态数据，其中，所述人脸的位置数据为人脸的脸框中心的横坐标与纵坐标，以及人脸的长度与宽度，所述姿态数据包括人脸的俯仰角、偏航角以及翻滚角；

位置获取模块，用于若所述待检测图像包含人脸，根据所述训练得到的卷积神经网络获取所述待检测图像中人脸的位置数据；

去重复模块，用于若所述待检测图像中人脸的位置数据包含至少两组位置数据，通过非极大值抑制算法获取所述待检测图像中人脸的准确位置；

姿态获取模块，用于输出所述待检测图像中人脸在所述准确位置时的人脸姿态信息。