[发明专利]一种图像检测方法及装置

说明书

本发明实施例提供一种图像检测方法及装置，该方法包括：获取待检测图像；使用第一级联卷积神经网络检测待检测图像中人脸的位置；第一级联卷积神经网络为根据第二级联卷积神经网络训练得到的级联卷积神经网络，第一级联卷积神经网络和第二级联卷积神经网络均由M个卷积神经网络级联而成，第一级联卷积神经网络的复杂度小于第二级联卷积神经网络的复杂度，M为大于或等于3的整数。实施本发明实施例，可以提高图像检测效率。

技术领域

本发明涉及图像识别技术领域，具体涉及一种图像检测方法及装置。

背景技术

为了在提高图像检测准确性的同时不影响图像检测效率，业界引入了级联卷积神经网络。在使用级联卷积神经网络检测图像的过程中，图像的所有区域都要经过第一个卷积神经网络，虽然第一个卷积神经网络的计算量小，但需要判断的区域个数最多。后面卷积神经网络的输入图像区域来自前面一个卷积神经网络输出的认为是人脸的区域，因此，要比前一个卷积神经网络需要判断的区域个数少，但每个区域进行判断的计算量却大。级联卷积神经网络虽然不影响图像检测效率，但需要检测分辨率较高的图像的情况下，检测效率较低。

发明内容

本发明实施例提供一种图像检测方法及装置，可以提高图像检测效率。

本发明实施例第一方面提供一种图像检测方法，包括：

获取待检测图像；

使用第一级联卷积神经网络检测所述待检测图像中的人脸；

所述第一级联卷积神经网络为根据第二级联卷积神经网络训练得到的级联卷积神经网络，所述第一级联卷积神经网络和所述第二级联卷积神经网络均由M个卷积神经网络级联而成，所述第一级联卷积神经网络和所述第一级联卷积神经网络的复杂度小于所述第二级联卷积神经网络的复杂度，所述M为大于或等于3的整数。

由于第一级联卷积神经网络的复杂度较低，因此，第一级联卷积神经网络的网络结构比较简单，可以提高图像检测效率；此外，虽然第一级联卷积神经网络的网络结构比较简单，但由于第一级联卷积神经网络为根据复杂度较高的第二级联卷积神经网络训练得到的，不会影响第一级联卷积神经网络的检测精度，从而可以在提高图像检测效率的同时不会影响图像检测准确性。

在一个实施例中，所述方法还包括：

获取训练数据，所述训练数据包括图像片段集以及所述图像片段集中每个图像片段的第一人脸标签和第一位置标签；

将第一图像片段输入第二级联卷积神经网络，得到第二人脸标签，所述第一图像片段为所述图像片段集的任一图像片段，所述第二级联卷积神经网络是训练好的级联卷积神经网络；

将所述第一图像片段输入待训练级联卷积神经网络，得到第三人脸标签和第二位置标签；

根据所述第一人脸标签、所述第二人脸标签、所述第三人脸标签、所述第一位置标签和所述第二位置标签，计算总损失；

根据所述总损失优化所述待训练级联卷积神经网络的参数，得到所述第一级联卷积神经网络。

可见，计算损失的时候不仅使用了真实的人脸标签，还使用了第二级联卷积神经网络输出的人脸标签，信息量比较丰富，因此，虽然第一级联卷积神经网络的复杂度小于第二级联卷积神经网络的复杂度，但第一级联卷积神经网络的精度可以达到第二级联卷积神经网络的精度，从而可以在提高图像检测效率的同时不会影响图像检测准确性。

在一个实施例中，所述根据所述第一人脸标签、所述第二人脸标签、所述第三人脸标签、所述第一位置标签和所述第二位置标签，计算总损失包括：

根据所述第一人脸标签、所述第二人脸标签和所述第三人脸标签，计算分类损失；

根据所述第一位置标签和所述第二位置标签，计算回归损失；