[发明专利]人脸检测小模型优化训练方法、人脸检测方法及计算机系统

权利要求书

1.一种基于连续型标签生成的人脸检测小模型优化训练方法，其特征在于，包括：

初始化训练集，所述训练集中包括离散型标注的人脸数据，所述离散型标注为离散型标注的人脸位置标签；

使用训练集中离散型标注的人脸数据训练第一人脸检测模型；

基于第一人脸检测模型，预测所述训练集中标注的人脸的置信度；

基于上述预测得到人脸的置信度，重新标注所述训练集中的人脸，将所述训练集中离散型标注的人脸数据转换为连续型标注的人脸数据；

基于转换后的连续型标注的人脸数据，训练人脸检测模型，得到基于连续型人脸标注第二人脸检测模型。

2.根据权利要求1所述的基于连续型标签生成的人脸检测小模型优化训练方法，其特征在于，在进行第一人脸检测模型训练前，对所述人脸数据进行预处理，包括对训练集中的人脸数据中的每一个图片进行灰度转换，得到灰度图，并基于灰度图进行第一人脸检测模型的训练。

3.根据权利要求1所述的基于连续型标签生成的人脸检测小模型优化训练方法，其特征在于，在模型训练前还包括分类操作，分类过程中对每个类别的图片分别进行自我复制N次，N为10-100之间的整数，以第1至N-1个图片作为训练数据，以第N张图片作为测试数据。

4.根据权利要求3所述的基于连续型标签生成的人脸检测小模型优化训练方法，其特征在于，所述分类操作包括对正样本和负样本的自我复制。

5.根据权利要求1所述的基于连续型标签生成的人脸检测小模型优化训练方法，其特征在于，预测所述训练集中标注的人脸的置信度的操作中，所述置信度的取值在[0,1]之间。

6.根据权利要求1-5中任意一项所述的基于连续型标签生成的人脸检测小模型优化训练方法，其特征在于，所述第二人脸检测模型为适于在移动端实时运行的、并且在移动端保持20fps以上的视频流时可实时检测出人脸的模型。

7.根据权利要求6中任意一项所述的基于连续型标签生成的人脸检测小模型优化训练方法，其特征在于，所述第一人脸检测模型为适于在服务器运行的大模型。

8.一种人脸检测方法，其特征在于，使用权利要求1-7中任意一项所述的训练方法得到的第二人脸检测模型对输入的图像进行检测，其中，所述检测操作在移动端操作。

9.一种基于连续型标签生成的人脸检测小模型优化训练装置，其特征在于，包括：

用于初始化训练集的模块，所述训练集中包括离散型标注的人脸数据，所述离散型标注为离散型标注的人脸位置标签；

用于使用训练集中离散型标注的人脸数据训练第一人脸检测模型的模块；

用于基于第一人脸检测模型，预测所述训练集中标注的人脸的置信度的模块；

用于基于上述预测得到人脸的置信度，重新标注所述训练集中的人脸，将所述训练集中离散型标注的人脸数据转换为连续型标注的人脸数据的模块；

用于基于转换后的连续型标注的人脸数据，训练人脸检测模型，得到基于连续型人脸标注第二人脸检测模型的模块。

10.根据权利要求9所述的基于连续型标签生成的人脸检测小模型优化训练装置，其特征在于，还包括：

用于对所述人脸数据进行预处理的模块，被设置成在进行第一人脸检测模型训练前，对训练集中的人脸数据中的每一个图片进行灰度转换，得到灰度图，并基于灰度图进行第一人脸检测模型的训练。

11.根据权利要求9所述的基于连续型标签生成的人脸检测小模型优化训练装置，其特征在于，还包括：

用于分类操作的模块，被设置成在模型训练前对每个类别的图片分别进行自我复制N次，N为10-100之间的整数，以第1至N-1个图片作为训练数据，以第N张图片作为测试数据。