[发明专利]基于低成本运算平台的人脸检测方法、装置及介质

说明书

本发明适用于计算机领域，提供了一种基于低成本运算平台的人脸检测的方法、装置及介质，包括前置处理、微调及回归处理；前置处理包括：对输入的图片使用神经网络框架进行特征提取，得到若干人脸预选框；微调用于对神经网络进行微调，包括：通过多个微型的卷积核以及可配置的网络结构的自定义组合，其中每个卷积核设置有对应的步长参数，卷积核用于神经网络的卷积及池化；回归处理包括：基于人脸预选框的平均关键点执行回归过滤处理，得到人脸框有效位置及人脸关键点的位置。可以在保证机器学习的精度时，减少对算力的要求，同时在具有低算力的硬件系统中也能够完成人脸检测的多个任务。

技术领域

本发明属于计算机领域，尤其涉及一种基于低成本运算平台的人脸检测方法、装置及介质。

背景技术

近年来，作为机器学习领域标志技术的深度学习，在计算机视觉方面取得了很多标志性的进展，特别是人脸相关的诸多任务中，不过深度学习特有的多层的网络以及数目繁多神经元特性，使其对与计算机硬件算力的要求十分严苛，诸多经典的网络结构难以真正的应用于实际场景，特别是在一些Edge端，例如嵌入式系统、NUC及手机等等。因此，需要一种解决深度学习在这些低算力硬件系统中无法进行人脸检测的技术方案。

发明内容

本发明的目的在于提供一种基于低成本运算平台的人脸检测方法、装置及介质，通过人脸检测连同人脸关键点定位法，在保证机器学习的精度时，减少对算力的要求，同时在具有低算力的硬件系统中也能够完成人脸检测的多个任务。

本发明是这样实现的，包括一种基于低成本运算平台的人脸检测方法，其特征在于：包括前置处理、微调及回归处理；所述前置处理包括：对输入的图片使用神经网络框架进行特征提取，得到若干人脸预选框；所述微调用于对所述神经网络进行微调，包括：通过多个微型的卷积核以及可配置的网络结构的自定义组合，其中每个所述卷积核设置有对应的步长参数，所述卷积核用于神经网络的卷积及池化；所述回归处理包括：基于所述人脸预选框的平均关键点执行回归过滤处理，得到人脸框有效位置及人脸关键点的位置。

如所述的基于低成本运算平台的人脸检测方法，其中对输入的图片使用神经网络框架进行特征提取包括：输入所述图片中的每个像素点，计算对应一个人脸框的预测值以及置信。

如所述的基于低成本运算平台的人脸检测方法，其中图片可自定设置，根据输入的所述图片的类型的不同，配置所述神经网络框架最后一层神经网络的神经元数量及训练方式，所述图片类型包括但不限于人脸。

如所述的基于低成本运算平台的人脸检测方法，其中通过多个卷积核级联执行卷积运算包括：根据卷积层为线性运算公式将所述神经网络框架中的卷积核配置为多个小的级联卷积核，其中A代表了输入神经元，m代表了当前神经元的层数，w和b分表代表这权重和偏置，g代表了激活函数，k则代表了感受野，以保持感受野不变的情况下，采用微型联卷积核执行卷积运算。

如所述的基于低成本运算平台的人脸检测方法，其中配置的网络结构包括具有不同步长的所述卷积核和全连接层组合，具体地，根据卷积层为线性运算公式其输出维度为(W-F+2P)/S+1，其中W代表输入图像的维度，F代表卷积核或者滤波矩阵的大小，P为填充的维度，S为步长的大小；根据输入的图像维度，采用不同大小的卷积核，同时对应地扩大S的值；以及根据输出神经层的维度与输入神经层的关系(W-F+2P)/S+1，执行S的自定义设置，以确定所述神经网络框架的自定义配置。

如所述的基于低成本运算平台的人脸检测方法，其中神经网络框架包括但不限于resnet50、resnet18或darknet53。

如所述的基于低成本运算平台的人脸检测方法，其中回归处理包括：在所述全连接层的神经网络结构后添加特定数量的神经元，设置人脸脸部及人脸预选框对应的损失函数。

如所述的基于低成本运算平台的人脸检测方法，其中脸部、所述预选框及所述回归树对应的损失函数分别配置为：