[发明专利]一种人脸检测的方法和装置

说明书

本公开是关于一种人脸检测的方法和装置，属于计算机技术领域。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；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；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卷积核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；基于所述调整后的深度卷积网络模型对图像进行人脸检测。采用本公开，可以提高人脸检测的处理速度。

技术领域

本公开是关于计算机技术领域，尤其是关于一种人脸检测的方法和装置。

背景技术

人脸检测技术是指根据人脸的特征信息，对图像中的人脸进行定位的技术。一般人脸检测技术使用的算法模型是深度卷积网络模型，具体处理是：

将待检测图像作为预设的深度卷积网络模型的输入，经过多层处理，再经过全连接处理，得到待检测图像中的人脸位置信息。多层处理中一般包括至少一层卷积处理和至少一层池化处理，进行卷积处理的层可以称作卷积层，进行池化处理的层可以称作池化层。在多层处理过程中，上一层处理的输出会作为下一层的输入。在某一卷积层进行卷积处理时，一般将上一层处理的输出数据(可以是矩阵或向量)与该卷积层的卷积核(由多个不同参数组成的矩阵)进行相乘，得到该卷积层处理的输出数据。

一般深度卷积网络模型中包括很多卷积层，每个卷积层对应有多个卷积核，这样，由于卷积层的卷积核数目比较多，在进行卷积处理时，需要进行大量复杂的计算，从而人脸检测的处理速度比较慢。

发明内容

为了克服相关技术中存在的问题，本公开提供了一种人脸检测的方法和装置。所述技术方案如下：

根据本公开实施例的第一方面，提供一种人脸检测的方法，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；

对所述目标卷积层的卷积核进行典范CP分解，得到所述目标卷积层的低秩卷积核；

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卷积核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；

基于所述调整后的深度卷积网络模型对图像进行人脸检测。

可选的，所述方法还包括：

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，对所述调整后的深度卷积网络模型进行重训练；

所述基于所述调整后的深度卷积网络模型对图像进行人脸检测，包括：

基于重训练后的深度卷积网络模型对图像进行人脸检测。

可选的，所述对所述调整后的深度卷积网络模型进行重训练，包括：

对于预设的每个样本图像，基于误差回传算法，确定所述样本图像对应的所述模型参数的训练值，其中，当所述调整后的深度卷积网络模型中所述模型参数的取值为所述训练值，且所述调整后的深度卷积网络模型的输入图像为所述样本图像时，所述调整后的深度卷积网络模型的输出值与所述样本图像对应的预设基准输出值满足预设匹配条件；

确定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。

可选的，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。