[发明专利]一种人脸检测方法及装置

说明书

技术领域

本发明涉及人脸检测技术领域，特别是涉及一种人脸检测方法及装置。

背景技术

人脸检测是指对于任意一幅给定的图像，采用一定的策略对其进行搜索以确定其中是否含有人脸，如果存在则返回所有人脸的位置和大小等信息。常用的人脸检测方法有基于提升级联的方法、基于DPM的方法、基于卷积神经网络(CNN)以及深度卷积神经网络(DCNN)的方法。但是现有技术的方法一般采用单个网络提取图像特征向量，图像特征信息的表达不丰富，无法解决姿态变化的影响等检测问题，从而影响人脸检测结果。

发明内容

本发明实施例提供一种人脸检测方法，以解决现有技术中的检测方法的图像特征信息的表达不丰富以及姿态变化的影响等检测问题。

本发明实施例提供一种人脸检测装置，以解决现有技术中的人脸检测装置检测的图像特征信息的表达不丰富以及姿态变化的影响等检测问题。

第一方面，提供一种人脸检测方法，包括：采用训练后的第一深度卷积神经网络提取输入图像中的各个候选窗口的第一图像特征向量；采用训练后的第二深度卷积神经网络提取输入图像中的各个候选窗口的第二图像特征向量；将相同维度的所述第一图像特征向量和所述第二图像特征向量融合得到第三图像特征向量；将所述第三图像特征向量降维得到第四图像特征向量；根据所述第四图像特征向量，采用训练后的分类器检测各个所述候选窗口是否为人脸区域。

第二方面，提供一种人脸检测装置，包括：第一提取模块，用于采用训练后的第一深度卷积神经网络提取输入图像中的各个候选窗口的第一图像特征向量；第二提取模块，用于采用训练后的第二深度卷积神经网络提取输入图像中的各个候选窗口的第二图像特征向量；融合模块，用于将相同维度的所述第一图像特征向量和所述第二图像特征向量融合得到第三图像特征向量；降维模块，用于将所述第三图像特征向量降维得到第四图像特征向量；检测模块，用于根据所述第四图像特征向量，采用训练后的分类器检测各个所述候选窗口是否为人脸区域。

这样，本发明实施例中，通过两个深度卷积神经网络分别提取候选人脸图像中的图像特征向量并将分别提取的图像特征向量融合得到融合后的图像特征向量，该融合后的图像特征向量表达的图像信息丰富，可减少姿态变化对检测的影响，同时通过对融合后的图像特征向量降维，可解决图像特征向量的稀疏性等问题，并降低了计算的复杂度，不仅可更加精确地检测人脸，还可提高检测的效率。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例的人脸检测方法的流程图；

图2是本发明实施例的图像金字塔的示意图；

图3是本发明实施例的offset max-pooling方法的示意图；

图4是本发明实施例的全卷积网络特征映射示意图；

图5是本发明另一个实施例的人脸检测方法的流程图；

图6是本发明另一个实施例的人脸检测方法的采用NMS方法得到检测框的结果示意图；其中，(a)是采用NMS方法处理之前的输入图像中的人脸检测框分布图，(b)是采用NMS-Max方法处理之后的输入图像中的人脸检测框分布图，(c)是采用NMS-Average方法处理之后的输入图像中的人脸检测框分布图；

图7是本发明实施例的本发明实施例的人脸检测方法检测得到的召回率-误检数曲线图；

图8是采用本发明实施例的人脸检测方法的部分测试结果；

图9是本发明实施例的人脸检测装置的一种结构示意图；

图10是本发明实施例的人脸检测装置的另一种结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例提供了一种人脸检测方法。如图1所示，为本发明实施例的人脸检测方法的流程图。该实施例的人脸检测方法具体包括如下的步骤：

步骤S101：采用训练后的第一深度卷积神经网络提取输入图像中各个候选窗口的第一图像特征向量。