[发明专利]一种基于高斯注意力的人脸检测装置、方法和存储介质

权利要求书

1.一种基于高斯注意力的人脸检测装置，其特征在于，包括数据处理模块、训练模块、检测模块，所述数据处理模块用于收集人脸数据集并标注形成训练集，且标注的信息包含关键点和人脸位置信息；所述训练模块用于采用训练集训练网络模型得到训练后的网络模型；所述检测模块用于将待测数据输入训练后的网络模型并输出检测结果；

所述网络模型包括关键点检测模型和人脸检测模型，所述训练模块首先利用训练集训练得到关键点检测模型，根据关键点检测模型输出的热力图得到关键点相对坐标，并映射回原图像得到关键点绝对坐标，然后将所有的关键点绘制得到一张关键点坐标图，在关键点坐标图上利用二维高斯核以每个关键点位置为中心展开得到关键点概率分布图，最后分布重合点取最大概率值生成关键点高斯注意力图，然后，将关键点高斯注意力图输入到人脸检测模型中进行训练学习，最终得到训练后的网络模型。

2.根据权利要求1所述的一种基于高斯注意力的人脸检测装置，其特征在于，所述关键点检测模型包括从前至后依次设置的卷积层、批标准化层、激活函数层以及若干个倒残差模块；所述关键点检测模型的网络末端还设置有一个卷积层，且末端设置的卷积层的每个通道输出一个关键点的热力图，且末端设置的卷积层的通道数与关键点的个数一致。

3.根据权利要求2所述的一种基于高斯注意力的人脸检测装置，其特征在于，所述倒残差模块包括从前至后依次设置的卷积层、批标准化层、激活函数层、深度可分离卷积层、批标准化层、激活函数层、卷积层、批标准化层、特征相加层。

4.根据权利要求1所述的一种基于高斯注意力的人脸检测装置，其特征在于，所述人脸检测模型包括从前至后依次设置的残差模块、关键点高斯注意力模块、卷积层、批标准化层、激活函数层，且人脸检测模型的网络末端设置有并行的两个全连接层，分别用于位置坐标回归和类别分类。

5.根据权利要求4所述的一种基于高斯注意力的人脸检测装置，其特征在于，所述关键点高斯注意力模块包括并行设置的上采样层、下采样层，根据人脸检测模型当前特征图的分辨率选择上采样层或下采样层，以将关键点高斯注意力图与人脸检测特征图的分辨率保持一致。

6.根据权利要求4所述的一种基于高斯注意力的人脸检测装置，其特征在于，所述残差模块包括从前至后依次设置的卷积层、批标准化层、激活函数层。

7.根据权利要求1-6任一项所述的一种基于高斯注意力的人脸检测装置，其特征在于，所述关键点检测模型采用位置回归损失函数进行损失值计算，所述人脸检测模型的损失值计算方式分为类别分类损失函数和位置回归损失函数。

8.根据权利要求7所述的一种基于高斯注意力的人脸检测装置，其特征在于，所述类别分类损失函数采用焦点损失函数，所述的位置回归函数采用平滑L1损失函数。

9.一种基于高斯注意力的人脸检测方法，采用权利要求1-8任一项所述的人脸检测装置进行，其特征在于，包括以下步骤：

步骤S100：收集人脸数据集并标注，且标注的信息包含关键点和人脸位置信息，按比例分为测试集和训练集；

步骤S200：采用步骤S100中的训练集对网络模型进行训练，首先训练得到关键点检测模型，其次，按照关键点检测模型的输出结果计算生成关键点高斯注意力图，并输出到人脸检测模型中进行训练学习，获得训练后的网络模型；

采用步骤S100中的训练集分步骤训练关键点检测模型和人脸检测模型，预先设定训练所需的相关超参数，并随机初始化关键点检测模型和人脸检测模型中所有的权重参数，使用优化器优化总损失值，直到训练迭代次数达到最大迭代次数时停止训练；

步骤S300：采用步骤S100中的测试集测试步骤S200中训练后的网络模型得到最终的检测网络模型；

步骤S400：将待测数据输入步骤S300中的检测网络模型并输出检测结果。

10.一种计算机可读存储介质，存储有计算机程序指令，其特征在于，所述程序指令被处理器执行时实现权利要求9所述的方法。