[发明专利]基于深度学习的人脸检测方法及系统

说明书

本发明公开了一种基于深度学习的人脸检测方法及系统，该方法包括将人脸图像输入轻量级人脸检测模型中进行分析，得到人脸图像对应的检测结果；从人脸图像对应的检测结果中确定与标准结果匹配的所有目标检测结果；其中，人脸图像的检测结果包括预测图像框的人脸分类置信度、预测图像框的偏移值、预测图像框的准确度以及预测人脸关键点的偏移值。可见，本发明通过将多帧人脸图像输入能够适应资源受限的嵌入式端中的轻量级人脸检测模型中进行分析，并将模型输出的结果与标注结果进行比较，能够在实际场景快速获取到精确的人脸的位置，也能够提高大尺寸人脸检测精度，使其更好的应用于人脸识别上。

技术领域

本发明涉及人脸图像检测技术领域，尤其涉及一种基于深度学习的人脸检测方法及系统。

背景技术

人脸检测主要任务是判断图像上是否存在人脸，若存在人脸，则给出人脸所处的位置和大小。其中，人脸检测属于目标检测(包括通用目标检测和特定类别目标检测)的范畴，受通用目标检测方法的进展的启发，特定类别的目标检测也取得了显著进步。

在早期工业界，VJ算法(Viola-Jones)是针对特定类别目标检测提出的里程碑式的工作，它使用Haar-Like特征和级联的AdaBoost分类器对人脸进行检测，不仅提升了检测精度还兼顾了运算效率，此后的文献都是基于VJ算法的改进工作,如Haar-AdaBoost，LBP-AdaBoost，GF-SVM等进一步提升了检测性能。以及随着深度学习的发展，近年来出现了针对通用目标提出的检测算法，如性能较优的Faster-RCNN、R-FCN系列，速度较快的YOLO、SSD系列。

然而，实践发现这些算法仍存在一些缺点，例如：人脸检测算法在小尺寸人脸上检测率高，当其应用于人脸识别系统中时，需对检测出的小尺寸人脸上采样到人脸识别模型需要的输入尺寸，导致人脸图像质量下降，进而影响人脸识别率以及精确度。因此，如何提出一种在实际场景中能够提高人脸检测的精确度的技术方案尤为重要。

发明内容

本发明所要解决的技术问题在于，提供一种基于深度学习的人脸检测方法及系统，能够在实际场景中能够提高人脸检测的精确度。

为了解决上述技术问题，本发明实施例第一方面公开了一种基于深度学习的人脸检测方法，所述方法包括：

将采集到的至少一帧目标人脸图像输入确定出的轻量级人脸检测模型中进行分析，并获取所述轻量级人脸检测模型输出的检测结果，作为所有所述目标人脸图像对应的检测结果；

从所有所述目标人脸图像对应的检测结果中确定与确定出的标准结果匹配的所有目标检测结果；

其中，每帧所述目标人脸图像的检测结果包括每帧所述目标人脸图像的预测人脸框、每帧所述目标人脸图像的预测图像框的人脸分类置信度、每帧所述目标人脸图像的预测图像框的偏移值、每帧所述目标人脸图像的预测图像框的准确度以及每帧所述目标人脸图像的预测人脸关键点的偏移值。

作为一种可选的实施方式，在本发明第一方面中，每帧所述目标人脸图像包括至少一个目标人脸，每个所述目标人脸对应至少一个所述预测图像框，每帧所述目标人脸图像对应的检测结果包括每帧所述目标人脸图像中每个所述目标人脸的预测图像框对应的检测结果；

其中，所述从所有所述目标人脸图像对应的检测结果中确定与确定出的标准结果匹配的所有目标检测结果，包括：

对每帧所述目标人脸图像的每个所述目标人脸执行以下操作：

根据所述目标人脸的每个所述预测图像框的偏移值、每个所述预测图像框在对应的坐标系的坐标点、所述目标人脸的输出锚框的宽度和高度以及所述目标人脸图像的宽度和高度分别除以所述轻量级人脸检测模型的输出层的宽度和高度，计算所述目标人脸的每个所述预测图像框的中心点坐标、每个所述预测图像框的宽度与高度；