[发明专利]人脸图像的检测方法及设备

说明书

本申请提供了一种人脸图像的检测方法及设备，能够构建基于深度可分离卷积的人脸检测模型，并将得到的人脸检测模型部署到移动终端，使得移动终端可使用部署的人脸检测模型对获取的待检测图像进行人脸检测，获取待检测图像中的人脸图像，与传统的深度卷积神经网络相比，减少了模型参数的数量和模型计算量，降低了模型整体的检测时间，使得可在存储空间和计算资源有限的移动终端上部署人脸检测模型，满足了人脸检测的实时性要求；另外，与现有的轻量化人脸检测模型相比，还提高了模型的检测精度。

技术领域

本申请涉及图像识别领域，尤其涉及一种人脸图像的检测方法及设备。

背景技术

人脸检测是人脸识别、人脸关键点检测、人脸追踪、人脸表情识别等任务的基础，一直备受学术界和产业界关注。近年来的人脸检测技术主要基于通用目标检测框架而设计，知名的人脸检测算法有S3FD(SingleShotScale-invariantFaceDetector)、PyramidBox、SRN(Selective Refinement Network)、DSFD(Dual Shot Face Detector)和RetinaFace等。这些算法通常以VGG Net或ResNet等深度卷积神经网络模型为主干网络来提取图像特征，再根据图像特征进行人脸检测，根据这些算法构建的人脸检测模性能较高，但是检测时间也较长，即使在有GPU加速的情况下也难以达到实时性的要求。深度卷积神经网络模型检测时间长的原因在于类似VGG Net或ResNet的深度卷积神经网络模型的参数量较大，从而导致计算量很大，需要的存储空间和计算资源很大。而移动终端的存储空间和计算资源都非常有限，因此上述通过深度卷积神经网络建立的人脸检测模型难以直接部署到移动终端上使用。

发明内容

本申请的一个目的是提供一种人脸图像的检测方法及设备，用于解决现有基于深度卷积神经网络的人脸检测模型难以直接在移动终端上部署的问题。

为实现上述目的，本申请提供了一种人脸图像的检测方法，其中，该方法包括：

构建人脸检测模型，所述人脸检测模型对应的特征提取网络包括多个依次连接的图像特征提取段，所述图像特征提取段包括依次连接的第一处理块和多个第二处理块，所述第一处理块用于使用深度可分离卷积对输入的特征图像进行下采样后输出，所述第二处理块用于对输入的特征图像进行通道分离，再使用深度可分离卷积对通道分离后的特征图像进行特征提取后输出；

将所述人脸检测模型部署至移动终端，以使所述移动终端获取待检测图像，并根据所述人脸检测模型对所述待检测图像进行人脸检测，获取所述待检测图像中的人脸图像。

进一步地，构建人脸检测模型，包括：

构建人脸检测模型对应的特征提取网络和特征检测网络，所述特征提取网络还包括图像特征金字塔网络，所述图像特征金字塔网络根据所述图像特征提取段输出的特征图像进行上采样或下采样，并将通过上采样或下采样得到的特征图像组成多层次的图像特征金字塔；所述特征检测网络获取所述图像特征金字塔网络输出的图像特征金字塔，并根据所述图像特征金字塔输出分类特征图像和回归特征图像，所述分类特征图像用于说明其中像素点属于人脸的概率，所述回归特征图像用于给出人脸框的信息；

将训练图像输入所述特征提取网络进行人脸特征提取，获取相应的特征图像；

将所述特征图像输入所述特征检测网络进行特征检测，获取相应的分类特征图像和回归特征图像；

将所述分类特征图像与所述训练图像预先标注的人脸分类进行比对，确定分类误差；

将所述回归特征图像与所述训练图像预先标注的人脸图像框进行比对，确定回归特征误差；

基于所述分类误差和回归特征误差，对所述人脸检测模型的模型参数进行调整；

在满足预设的模型训练停止条件时，将所述人脸检测模型的当前模型参数确定为训练好的所述人脸检测模型的模型参数。