[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

随着人工智能以及信息技术的飞速发展，人机交互、信息安全等方面的问题体现了计算机视觉的重要性。利用计算机与用户之间的交互模拟人与人之间的“沟通”，这个已经成为技术发展急需解决的关键问题。人脸检测是其中的一种基本技术，也是人机交互中许多人脸分析问题的关键步骤。

人脸检测是针对给出任意一幅图像，利用检测算法判断其是否含有人脸，若有，判断图像中人脸的位置、大小和姿态等信息。相比于其他的生物特征检测技术，具有友好，方便等特点。人脸检测的应用不仅局限在人脸识别系统内，而且在图像检索、视频处理与监测等方面也有着重要的应用价值。人脸检测技术近年来一直是众多科研和商业机构的研究热点。

人脸检测容易受到肤色、表情、遮挡、光照等影响。同时由于人脸检测技术在广泛地实际应用中必须解决上述人脸多样性和多变性以及背景的复杂性的影响以提高检测速度和精度，因此人脸检测技术受到了更多的关注。

早期的人脸检测可分为四大类方法：基于先验知识、基于特征不变、模板匹配、基于统计理论。但是早期的人脸识别研究主要针对具有较强约束条件的人脸图像(如无背景的图像)，往往假设人脸位置已知或很容易获得，此种情况下人脸检测尚未被重视起来。基于统计理论的方法是当前比较流行的方法，其能有效地解决复杂背景下的人脸检测问题，直到Viola and Jones提出的Adaboost级联的方法，首次实现了实时人脸检测，使其实际生活中的应用具有了可行性，如数码相机。近年来，计算机硬件水平的提升，对数据的存储和分析能力不断增强，深度学习方法在人脸检测中的应用，使得一批新的人脸检测算法被提出。因此，现有技术中人脸检测方法大体分为：传统人脸检测方法和基于Region Proposal的深度学习算法。

其中，传统人脸检测方法首先在给定的图像上采用滑动窗口的策略以不同的尺度、长宽比对整幅图像进行遍历，选择一些候选的区域，然后对这些区域提取SIFT，HOG等特征，最后使用训练的SVM，Adaboost等分类器进行分类。但是，这种方法中，基于滑动窗口的区域选择策略没有针对性，时间复杂度高，产生大量冗余的窗口。面对人脸的多样性和多变性以及背景的复杂性等因素时，人工设计的特征对于这类变化并没有很好的鲁棒性。

其中，基于Region Proposal的深度学习算法，首先根据Region Proposal预先找到图像中人脸可能出现的位置，在保证高召回率的同时选取少量的窗口。然后用卷积神经网络CNN对候选区域进行检测，实际上是特征提取和二分类的过程。主要思想是利用某种方法产生高质量的人脸预选窗口，再对预选窗口进行分类。但是，这种方法的训练步骤繁琐，占用空间大，处理图像速度较慢。

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人脸检测方法效率低，精准性低的问题。

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人脸区域的效率低，精准性低的问题。

第一方面，提供一种人脸检测方法，包括：将待检测图像输入第一卷积神经网络，所述第一卷积神经网络检测所述待检测图像中的人脸区域，在检测到的人脸区域标注第一人脸候选窗口；将所述第M-1人脸候选窗口的规模调整为第M卷积神经网络的规模后输入所述第M卷积神经网络，所述第M卷积神经网络检测所述第M-1人脸候选窗口的人脸区域，在检测到的人脸区域标注第M人脸候选窗口，其中，M＝2、3、……、N，N≥3；采用全局非极大值抑制的方法将所述第N人脸候选窗口和第N-1人脸候选窗口合并为人脸精选窗口；其中，所述第一至第N卷积神经网络按照卷积神经网络的规模从小到大的顺序级联。