[发明专利]图像处理方法和装置

说明书

本申请实施例公开了图像处理方法和装置。该方法的一具体实施方式包括：获取已标注人脸的图像，其中，该人脸的标注框的尺寸与图像尺寸的比例小于预设比例阈值；基于该图像和对人脸的标注，对卷积神经网络进行训练，得到训练后的卷积神经网络，训练过程包括：将该图像输入卷积神经网络，得到特征图像；基于该卷积神经网络中的区域生成网络，确定该人脸的候选框；在该特征图像中，确定该候选框所对应的区域；扩大该区域，生成该特征图像中的目标区域；获取该目标区域的特征，输入该卷积神经网络的全连接层。本申请实施例训练得到的卷积神经网络能够更快速、更准确地检测到图像中的人脸。

技术领域

本申请实施例涉及计算机技术领域，具体涉及互联网技术领域，尤其涉及图像处理方法和装置。

背景技术

卷积神经网络是多层神经网络，擅长处理图像。而在处理图像的过程中，往往面积较大的目标容易被卷积神经网络捕捉并进行处理。图像中较小的目标则容易被卷积神经网络忽略。当图像所呈现的人脸较小时，则不易被卷积神经网络检测到。

发明内容

本申请实施例提出了图像处理方法和装置。

第一方面，本申请实施例提供了一种图像处理方法，包括：获取已标注人脸的图像，其中，人脸的标注框的尺寸与图像尺寸的比例小于预设比例阈值；基于图像和对人脸的标注，对卷积神经网络进行训练，得到训练后的卷积神经网络，训练过程包括：将图像输入卷积神经网络，得到特征图像；基于卷积神经网络中的区域生成网络，确定人脸的候选框；确定候选框在特征图像中所对应的区域；扩大区域，生成特征图像中的目标区域；获取目标区域的特征，输入卷积神经网络的全连接层。

在一些实施例中，扩大区域，包括：对人脸对应的区域扩大预设比例。

在一些实施例中，在获取目标区域的特征，输入卷积神经网络的全连接层之后，训练过程还包括：对全连接层输出的结果进行分类处理、边框回归处理和非极大值抑制，得到图像中的人脸所在的目标框的位置、尺寸以及人脸的类别标识；基于预设的损失函数，确定所得到的目标框和标注框的损失值，将损失值进行反向传播，以训练卷积神经网络。

第二方面，本申请实施例提供了一种图像处理方法，包括：获取待检测的图像，将待检测的图像输入如第一方面中任一训练后的卷积神经网络，得到待检测的图像中的各个人脸的目标框的位置、尺寸以及人脸的类别标识。

第三方面，本申请实施例提供了一种图像处理装置，包括：获取单元，被配置成获取已标注人脸的图像，其中，人脸的标注框的尺寸与图像尺寸的比例小于预设比例阈值；训练单元，被配置成基于图像和对人脸的标注，对卷积神经网络进行训练，得到训练后的卷积神经网络，训练过程包括：将图像输入卷积神经网络，得到特征图像；基于卷积神经网络中的区域生成网络，确定人脸的候选框；确定候选框在特征图像中所对应的区域；扩大区域，生成特征图像中的目标区域；获取目标区域的特征，输入卷积神经网络的全连接层。

在一些实施例中，扩大区域进一步被配置成：对人脸对应的区域扩大预设比例。

在一些实施例中，训练单元还被配置成：对全连接层输出的结果进行分类处理、边框回归处理和非极大值抑制，得到图像中的人脸所在的目标框的位置、尺寸以及人脸的类别标识；基于预设的损失函数，确定所得到的目标框和标注框的损失值，将损失值进行反向传播，以训练卷积神经网络。

第四方面，本申请实施例提供了一种图像处理装置，包括：检测单元，被配置成获取待检测的图像，将待检测的图像输入如第三方面中任一训练后的卷积神经网络，得到待检测的图像中的各个人脸的目标框的位置、尺寸以及人脸的类别标识。

第五方面，本申请实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如图像处理方法中任一实施例的方法。