[发明专利]一种人脸检测的方法、装置、电子设备及存储介质

权利要求书

1.一种人脸检测的方法，其特征在于，该方法包括：

通过第一卷积神经网络对第一训练样本集进行训练，获得第一人脸检测模型；所述第一训练样本集表示常规人脸图像的样本集合；

在所述第一人脸检测模型的基础上，为所述第一卷积神经网络增加注意力机制分支任务；利用增加了所述注意力机制分支任务的第一卷积神经网络对第二训练样本集进行训练，获得第二人脸检测模型；所述第二训练样本集表示复杂场景人脸图像的少样本集合；所述注意力机制分支任务表示计算与所述复杂场景人脸图像的相似性的任务；

将不包含所述注意力机制分支任务的第二人脸检测模型作为第三人脸检测模型，并利用所述第三人脸检测模型对待检测人脸图像进行检测。

2.根据权利要求1所述的方法，其特征在于，所述通过第一卷积神经网络对第一训练样本集进行训练，获得第一人脸检测模型的步骤包括：

将所述第一训练样本集中的常规人脸图像作为输入，通过特征图金字塔网络的计算获得第一多尺度特征向量；

将所述第一多尺度特征向量作为输入，通过全卷积网络的计算获得人脸二分类任务分支的计算结果；

将所述第一多尺度特征向量作为输入，通过全卷积网络的计算获得人脸框坐标任务分支的计算结果；

将所述第一多尺度特征向量作为输入，通过全卷积网络的计算获得人脸关键点任务分支的计算结果；

根据所述人脸二分类任务分支的计算结果、所述人脸框坐标任务分支的计算结果以及所述人脸关键点任务分支的计算结果进行神经网络反向传播，更新网络参数；

返回到所述将第一训练样本集中的常规人脸图像作为输入的步骤进行迭代，直到获得的第一人脸检测模型满足预设的模型条件。

3.根据权利要求2所述的方法，其特征在于，所述利用增加了注意力机制分支任务的第一卷积神经网络对第二训练样本集进行训练，获得第二人脸检测模型的步骤包括：

将所述第二训练样本集中的复杂场景人脸图像分为支持样本和查询样本，所述支持样本表示训练标准图像，所述查询样本表示检验与所述训练标准图像相似性的图像；

分别将所述支持样本和所述查询样本作为输入，通过所述特征图金字塔网络的计算获得第二多尺度特征向量；

将所述第二多尺度特征向量作为输入，通过第二卷积神经网络再次进行特征提取，获得所述支持样本的特征向量和所述查询样本的特征向量；

计算所述支持样本的特征向量和所述查询样本的特征向量之间的相似性，得到所述注意力机制分支任务的计算结果；

根据所述人脸二分类任务分支的计算结果、所述人脸框坐标任务分支的计算结果、所述人脸关键点任务分支的计算结果以及所述注意力机制分支任务的计算结果进行神经网络反向传播，更新所述网络参数；

返回到所述分别将支持样本和所述查询样本作为所述增加了注意力机制分支任务的第一卷积神经网络的输入的步骤，进行迭代，直到获得的第二人脸检测模型满足预设的模型条件。

4.根据权利要求3所述的方法，其特征在于，所述计算支持样本的特征向量和所述查询样本的特征向量之间的相似性的步骤包括：

根据所述支持样本的特征向量和所述查询样本的特征向量计算两者的整体特征相似性，所述整体特征相似性表示利用一个数值从整体上描述所述支持样本和所述查询样本的相似性；

根据所述支持样本的特征向量和所述查询样本的特征向量计算两者的多尺度局部特征相似性，所述多尺度局部特征相似性表示将所述支持样本的特征向量和所述查询样本的特征向量分别划分为不同尺度的局部特征向量，再针对各个相应的尺度的局部特征向量计算两者的相似性，并取计算出的相似性的平均值；

根据所述支持样本的特征向量和所述查询样本的特征向量计算两者的局部两两对应特征相似性，所述局部两两对应特征相似性表示将所述支持样本的特征向量和所述查询样本的特征向量分别划分为预设固定尺度的局部特征向量，针对所述支持样本中的每一个局部特征，与所述查询样本中所有局部特征分别计算相似性，并取计算出的所有相似性的平均值；

将所述整体特征相似性、多尺度局部特征相似性和局部两两对应特征相似性进行加权求和，作为所述支持样本的特征向量和所述查询样本的特征向量之间的相似性。