[发明专利]一种基于深度学习的人脸检测方法，装置和设备

说明书

本发明实施例提供一种基于深度学习的人脸检测方法，装置和设备，包括构建改进型人脸检测器MF³D，改进型人脸检测器MF³D是在S³FD网络框架基础上建立了浅层交织结构、改变卷积核并调整损失函数后构建获得的；将待检测图片输入到训练后的改进型人脸检测器MF³D，输出对待检测图片的人脸检测结果。本方法，装置和设备通过改进S³FD网络框架，在原有S³FD网络框架基础上建立了浅层交织结构、改变卷积核并调整损失函数以构建改进型人脸检测器MF³D，并通过改进型人脸检测器MF³D实现对待检测图片的人脸检测，能增强人脸检测器在检测人脸方面的性能以及提高人脸检测器的召回率和准确率。

技术领域

本发明实施例涉及人脸检测技术领域，更具体地，涉及一种基于深度学习的人脸检测方法，装置和设备。

背景技术

S³FD网络框架是一种基于深度学习的神经网络框架，近年来，由于S³FD网络框架具有检测速度快，检测大物体方面准确率高的特点而倍受人们关注。

然而目前S³FD网络框架由于低层特征网络结构相对简单，造成不能充分挖掘人脸特征，造成在人脸方面检测性能较差，并且S³FD网络框架中原有的损失函数对人脸的识别强度较低，因此如何有效提高S³FD网络框架在检测人脸方面的性能以及提高整个检测器的召回率和准确率是现在亟需解决的问题。

发明内容

为了克服上述问题或者至少部分地解决上述问题，本发明实施例提供一种基于深度学习的人脸检测方法，装置和设备。

根据本发明实施例的第一方面，提供一种基于深度学习的人脸检测方法，包括：构建改进型人脸检测器MF³D，改进型人脸检测器MF³D是在S³FD网络框架基础上建立了浅层交织结构、改变卷积核并调整损失函数后构建获得的；将待检测图片输入到训练后的改进型人脸检测器MF³D，输出对待检测图片的人脸检测结果。

其中，构建改进型人脸检测器MF³D，包括：对S³FD网络框架的若干低层卷积层使用交织结构，以建立浅层交织结构，若干低层卷积层包括Conv3_3卷积层、Conv4_3卷积层、Conv5_3卷积层和Conv_fc7卷积层。

其中，对S³FD网络框架的若干低层卷积层使用交织结构，包括：对于若干低层卷积层中的任一卷积层，将所述任一卷积层、所述任一卷积层的前一层和所述任一卷积层的后一层的输出特征输入到合成模块，输出对所述任一卷积层使用交织结构后的输出结果，以此对S³FD网络框架的若干低层卷积层中每一卷积层使用交织结构。

其中，对S³FD网络框架的若干低层卷积层使用交织结构之后，还包括：将S³FD网络框架的激活函数替换成CRelu函数。

其中，构建改进型人脸检测器MF³D，包括：将S³FD网络框架中conv5_3卷积层、Conv_fc7卷积层、Conv6_2卷积层和Conv7_2卷积层的卷积核更改为扩张卷积核，扩张卷积核的扩张率为2。

其中，构建改进型人脸检测器MF³D，包括：将S³FD网络框架中的SoftmaxLoss层替换为FocalLoss层。