[发明专利]人脸检测方法、装置、终端设备及计算机可读存储介质

说明书

本申请适用于终端技术领域，尤其涉及一种人脸检测方法、装置、终端设备及计算机可读存储介质。所述人脸检测方法包括获取待检测的目标图像；将目标图像输入至训练完成的人脸检测模型进行处理，得到人脸检测模型输出的人脸检测结果。人脸检测模型为利用第一预设分辨率的第一训练图像训练得到的神经网络模型，且神经网络模型的第一网络结构对应的检测框为128*128至256*256，第二网络结构对应的检测框为32*32至64*64，第三网络结构对应的检测框为10*10至20*20。即通过调整神经网络模型的检测框大小，并利用低分辨率的训练图像进行人脸检测模型的训练，可提升对小人脸的召回率，提高终端设备对小人脸的检出率。

技术领域

本申请属于终端技术领域，尤其涉及一种人脸检测方法、装置、终端设备及计算机可读存储介质。

背景技术

人脸检测是人脸识别、人脸属性识别、人脸表情识别、口罩佩戴识别等应用的基础。目前，一般是通过在性能较好的服务器端部署较深较复杂的神经网络模型来进行人脸检测。而随着机器人等终端设备的发展，在机器人等终端设备进行人脸检测逐渐成为发展趋势。但由于机器人等终端设备的性能限制，在机器人等终端设备中进行人脸检测时，往往需要降低所部署的神经网络模型的深度和/或复杂度等，导致在机器人等终端设备中所进行的人脸检测往往只能检测出短距离内的大人脸，而对于长距离的小人脸则存在检出率较低的问题，无法满足机器人等终端设备的人脸检测需求。

发明内容

本申请实施例提供了一种人脸检测方法、装置、终端设备及计算机可读存储介质，可以有效解决终端设备所进行的人脸检测对小人脸存在检出率较低的问题。

第一方面，本申请实施例提供了一种人脸检测方法，应用于终端设备，所述人脸检测方法，可以包括：

获取待检测的目标图像；

将所述目标图像输入至训练完成的人脸检测模型进行处理，得到所述人脸检测模型输出的人脸检测结果；

其中，所述人脸检测模型为利用第一预设分辨率的第一训练图像训练得到的神经网络模型，所述第一预设分辨率小于640*640，所述神经网络模型为基于retinaface网络结构的神经网络模型，所述retinaface网络结构包括第一网络结构、第二网络结构和第三网络结构，所述第一网络结构、所述第二网络结构和所述第三网络结构的主干网络均为轻量级神经网络，所述第一网络结构对应的检测框为128*128至256*256，所述第二网络结构对应的检测框为32*32至64*64，所述第三网络结构对应的检测框为10*10至20*20。

示例性的，所述第一预设分辨率为320*320。

在第一方面的一种可能的实现方式中，所述人脸检测模型通过下述步骤训练得到：

获取所述第一预设分辨率的第一训练图像和第二预设分辨率的第二训练图像，所述第二预设分辨率高于所述第一预设分辨率；

利用所述第一训练图像对初始人脸检测模型进行训练，得到训练完成的初始人脸检测模型；

利用所述第二训练图像对所述训练完成的初始人脸检测模型进行训练，得到训练完成的所述人脸检测模型。

可选地，所述轻量级神经网络为mobilenet网络或fmobileface网络。

在第一方面的一种可能的实现方式中，所述将所述目标图像输入至训练完成的人脸检测模型进行处理，得到所述人脸检测模型输出的人脸检测结果，可以包括：

将所述目标图像输入至训练完成的人脸检测模型进行处理，得到所述人脸检测模型输出的初始检测结果；

将所述初始检测结果输入至训练完成的人脸校准模型进行处理，得到所述人脸校准模型输出的校准结果；

当所述校准结果为所述初始检测结果包含人脸时，将所述初始检测结果确定为所述人脸检测模型输出的人脸检测结果；