[发明专利]人脸检测模型训练方法、设备及人脸检测方法

说明书

本发明公开了一种人脸检测模型训练方法、设备、计算机可读存储介质及人脸检测方法，该人脸检测模型训练方法包括：从待训练图片中提取特征以获取至少两种分辨率的初始特征图；融合所述初始特征图以得到第一检测特征图和第二检测特征图；通过第一检测器在所述第一检测特征图上进行第一尺度脸型检测，通过第二检测器在所述第二检测特征图上进行第二尺度脸型检测；基于目标损失函数训练人脸检测模型。本申请的人脸检测模型训练方法，具有提高各个尺寸人脸检出率的优点。

技术领域

本发明涉及人脸检测技术领域，尤其涉及一种人脸检测模型训练方法、设备、计算机可读存储介质及人脸检测方法

背景技术

人脸检测可以视为对象类检测的特定情况。在对象类检测中，任务是查找属于给定类的图像中所有对象的位置和大小。例子包括上躯干、行人和汽车。人脸检测在实际中主要用于人脸识别的预处理，即在图像中准确标定出人脸的位置和大小。

目前，人脸检测在大、中型的人脸上取得了令人瞩目的成果，但对于小脸(例如10×10像素)的检测往往不如人意。小脸检测的主要困难是小脸缺乏足够的详细信息以将它们与类似背景区分开，例如，部分面部或手部的区域。

当前，小脸检测的方法主要是基于深度学习进行的，目前小脸检测的方法主要是通过将包含更多小脸信息的更底层特征和涵盖丰富语义特征的顶层特征层融合，进行级联检测，提高小脸检出率。这种方法虽然能提高小脸检出率，但是降低了高层特征的语义表达，从而导致造成较大脸(大脸和中脸)的检出率降低。

即是说，基于当前的人脸检测方法，要么存在小脸检出率的问题，要么存在大脸检出率低的问题，小脸检出率与大脸检出率难以两全。

发明内容

本申请实施例通过提供一种人脸检测模型训练方法，旨在同时提高小脸与大脸的检出率。

为实现上述目的，本申请实施例提供了一种人脸检测模型训练方法，包括：

从待训练图片中提取特征以获取至少两种分辨率的初始特征图；

融合所述初始特征图以得到第一检测特征图和第二检测特征图，其中，所述第一检测特征图的分辨率大于所述第二检测特征图；

通过第一检测器在所述第一检测特征图上进行第一尺度脸型检测，通过第二检测器在所述第二检测特征图上进行第二尺度脸型检测，其中，所述第一尺度不大于20×20像素，且所述第一尺度小于所述第二尺度；

基于检测网络损失与特征选择损失构建目标损失函数，并基于所述目标损失函数训练人脸检测模型。

在其中一个实施例中，所述从待训练图片中提取特征以获取至少两种分辨率的初始特征图，包括：

对待训练图片执行连续递进的至少两次卷积-下采样操作，以获取分辨率依次降低的至少两种分辨率的原始特征图；

基于预设的筛选规则筛选所述原始特征图以获取至少两种分辨率的初始特征图。

在其中一个实施例中，所述融合所述初始特征图以得到第一检测特征图和第二检测特征图，包括：

按照分辨率从小到大的顺序，向分辨率变大的方向融合所述初始特征图，以得到分辨率依次增大的多种分辨率的融合特征图；

按照分辨率从大到小的顺序，将分辨率排序前二的两种融合特征图分别作为所述第一检测特征图和第二检测特征图输出。

在其中一个实施例中，所述按照分辨率从小到大的顺序，向分辨率变大的方向融合所述初始特征图，以得到分辨率依次增大的多种尺寸的融合特征图，包括：

按照分辨率从小到大的顺序对初始特征图进行排序；

对排序后的特征图进行以下循环，直至融合特征图的分辨率与排序最大的初始特征图的分辨率一致，所述循环如下：