[发明专利]一种人脸检测方法、模型创建方法、装置、设备及介质

说明书

本申请公开了一种人脸检测模型创建方法、装置、设备及介质，该方法包括：获取含有标注信息的训练集；以深度卷积神经网络为基础进行网络构建，得到待训练网络；利用所述训练集对所述待训练网络进行训练，得到多任务检测模型，以便利用所述多任务检测模型对待检测人脸图像的人脸属性和人脸关键点进行检测。本申请利用含有人脸属性标注信息和人脸关键点标注信息的训练集对以深度卷积神经网络为基础构建的网络进行训练，得到用于检测人脸属性和人脸关键点的多任务检测模型。通过这种方式，利用包含人脸属性标注信息和人脸关键点标注信息的训练集训练得到的多任务检测模型进行人脸检测，可以提高对人脸属性检测和人脸关键点检测的精确度和鲁棒性。

技术领域

本发明涉及人脸检测领域，特别涉及一种人脸检测方法、模型创建方法、装置、设备及介质。

背景技术

当前，随着人脸检测的应用需求越来越多，应用领域越来越广，例如，在过安检、排查犯罪嫌疑人、启动智能终端等方面，经常需要使用到与人脸检测相关的技术。并且，为了降低误检率，人们对于人脸检测结果的检测精度和可靠性提出了更高的要求。

然而，从目前传统的人脸检测技术的使用效果来看，人脸检测结果的精确度和鲁棒性还是有待进一步的提升，如何提升人脸检测结果的精确度和鲁棒性是目前有待解决的技术问题。

发明内容

有鉴于此，本发明的目的在于提供一种人脸检测模型创建方法、装置、设备及介质，能够提升人脸检测结果的精确度和鲁棒性。其具体方案如下：

第一方面，本申请公开了一种人脸检测模型创建方法，包括：

获取含有标注信息的训练集；其中，所述标注信息包括人脸属性标注信息和人脸关键点标注信息；

以深度卷积神经网络为基础进行网络构建，得到待训练网络；其中，所述待训练网络包括针对人脸属性检测的第一待训练模块和针对人脸关键点检测的第二待训练模块；

利用所述训练集对所述待训练网络进行训练，得到多任务检测模型，以便利用所述多任务检测模型对待检测人脸图像的人脸属性和人脸关键点进行检测。

可选的，所述获取含有标注信息的训练集，包括：

获取历史人脸图像；

对所述历史人脸图像添加对应的人脸属性标注信息和人脸关键点标注信息，以得到标注后人脸图像；

基于所述标注后人脸图像获得所述训练集；

其中，所述人脸属性标注信息包括生物特征信息和/或表情信息和/或配饰信息；所述人脸关键点标注信息包括五官位置信息和/或人脸轮廓信息；相应的，所述第一待训练模块包括针对生物特征信息检测的待训练单元和/或针对表情信息检测的待训练单元和/或针对配饰信息检测的待训练单元；所述第二待训练模块包括针对五官位置信息检测的待训练单元和/或针对人脸轮廓信息检测的待训练单元。

可选的，所述基于所述标注后人脸图像获得所述训练集，包括：

对所述标注后人脸图像进行数据清洗处理以得到清洗后图像；

基于预设筛选概率对所述清洗后图像进行筛选以得到筛选后图像；

对所述筛选后图像进行数据增强处理以扩充图像样本数量，得到所述训练集。

可选的，所述以深度卷积神经网络为基础进行网络构建，得到待训练网络，包括：

对VGG神经网络进行网络参数优化，得到轻量级多任务学习网络；

对所述轻量级多任务学习网络进行网络结构优化，得到特征提取模块；

将所述特征提取模块分别与针对人脸属性检测的第一待训练模块和针对人脸关键点检测的第二待训练模块进行连接，以构建所述待训练网络。