[发明专利]一种人脸检测的方法和装置

权利要求书

1.一种人脸检测的方法，其特征在于，应用于人脸检测应用程序的后台服务器，所述方法包括：

在待使用的深度卷积网络模型中，获取目标卷积层的卷积核，所述目标卷积层为一个卷积层或者多个卷积层；

对所述目标卷积层的每个卷积核进行典范CP分解，分别得到每个卷积核对应的低秩卷积核；

在所述待使用的深度卷积网络模型中，将所述目标卷积层的每个卷积核分别替换为对应的低秩卷积核，得到调整后的深度卷积网络模型；

将所述调整后的深度卷积网络模型中的模型参数的取值，设置为所述调整后的深度卷积网络模型的所述模型参数的训练初始值，所述模型参数包括卷积核中的参数、池化核中的参数；

在训练过程中，确定所述调整后的深度卷积网络模型对应的目标函数，所述目标函数的自变量是所述调整后的深度卷积网络模型的输入，所述目标函数的因变量是所述调整后的深度卷积网络模型的输出，所述目标函数中的参数是所述模型参数，所述目标函数中的参数包括多个参数；

将第一样本图像作为所述调整后的深度卷积网络模型的输入，进行前向传播，确定所述目标函数的输出值，如果所述目标函数的输出值与所述第一样本图像对应的预设基准输出值的差值不小于预设阈值，则将所述目标函数与所述预设基准输出值取差值，并平方，得到损失函数L；

获取预设的学习率α，基于所述预设的学习率α、所述损失函数L以及计算每个参数下一次使用的参数值，直到计算出所述调整后的深度卷积网络模型中模型参数中每个参数下一次使用的参数值，其中，所述n为第n次计算参数值，所述w为所述目标函数中的参数；

将计算出的模型参数的参数值更新至所述调整后的深度卷积网络模型中，并将所述第一样本图像作为所述调整后的深度卷积网络模型的输入，执行前向传播和后向传播，直到当所述第一样本图像作为所述调整后的深度卷积网络模型的输入时得到的输出值与所述第一样本图像对应的预设基准输出值小于所述预设阈值时，将此次模型参数的参数值确定为所述第一样本图像对应的模型参数的训练值；

对于预设的每个样本图像，按照确定所述第一样本图像对应的模型参数的训练值的方法，确定所述每个样本图像对应的模型参数的训练值；

确定所述每个样本图像对应的所述模型参数的训练值的平均值；

将所述调整后的深度卷积网络模型中所述模型参数的取值调整为对应的平均值，得到重训练后的深度卷积网络模型；

将待检测图像输入所述重训练后的深度卷积网络模型，经过卷积处理和池化处理后，得到N*N的图像，将所述N*N的图像分割为等大小的预设数目个图像块；

对于每个图像块，以图像块的中心位置点为候选框的中心位置点，按照宽高比例为1:2、1:1和2:1和面积为1282、2562和5122的9个候选框在所述图像块中添加候选框，并确定每个候选框的位置信息，获取所述每个候选框中图像的图像特征向量；

对于所述每个候选框中图像的图像特征向量，将所述图像特征向量乘以预设矩阵，得到所述每个候选框包含的图像特征的类别，以及所述每个候选框需要调整的位置，确定所述待检测图像中人脸的位置信息。

2.根据权利要求1所述的方法，其特征在于，所述对所述目标卷积层的卷积核进行CP分解，得到所述目标卷积层的低秩卷积核，包括：

对所述目标卷积层的卷积核d×d×S×T进行CP分解，得到所述目标卷积层的四个低秩卷积核d×R、d×R、S×R和T×R，其中，d为卷积核的行数与列数，S为色彩通道的数目，T为所述目标卷积层的卷积核的数目、R为所述目标卷积层的卷积核的秩。

3.根据权利要求1所述的方法，其特征在于，所述对所述目标卷积层的卷积核进行CP分解，得到所述目标卷积层的低秩卷积核，包括：

如果所述目标卷积层的卷积核为满秩矩阵，则对所述目标卷积层的卷积核进行CP分解，得到所述目标卷积层的低秩卷积核。