[发明专利]一种人脸检测方法、装置和设备

说明书

本发明公开了一种人脸检测方法，包括：将人脸数据输入到预先训练好的深度可分离卷积中；其中，所述深度可分离卷积采用双路稠密结构；将所述深度可分离卷积中的双路输出数据与所述人脸数据进行整合，以输出特征数据；将所述特征数据与预设锚点框进行映射，输出人脸检测的结果。本发明还公开了一种人脸检测装置和设备。采用本发明实施例，能够能有效减少模型尺寸且减少人脸检测过程中的运算量。

技术领域

本发明涉及人脸检测技术，尤其涉及一种人脸检测方法、装置和设备。

背景技术

人脸检测算法是一种基于图像视频监控所传输的人脸数据，来准确定位图像信息中的人脸位置。这种技术被广泛地运用在海关关卡监控、在逃犯人追踪以及人员管理中。其技术路线可以总结为：提取人脸的基本特征，然后根据一定的置信度来检测出图中是否有人脸存在。在较早期的一些方案中，许多人工特征被提取出来作为检测的依据，如使用ADABOOST和SVM特征分类。其优点是操作方便且运行速度较快，但是这些方法对场景的泛化能力较差，使得其检测准确率和召回率都较低。之后随着深度学习技术的提升和GPU计算能力的不断增强，有越来越多基于卷积神经网络的技术方案，现有技术中通常使用基于Single Shot Detector(SSD)的人脸检测算法，这种算法的特征提取网络是基于深度学习网络VGG，虽然在准确率、召回率上得到了有效地提升，但是网络模型较大、检测实时性较低，且占用显存较高，不利于移动端设备的封装使用，同时在人脸检测过程中会有较大的计算量。

发明内容

本发明实施例的目的是提供一种人脸检测方法、装置和设备，能有效减少模型尺寸且减少人脸检测过程中的运算量。

为实现上述目的，本发明实施例提供了一种人脸检测方法，包括：

将人脸数据输入到预先训练好的深度可分离卷积中；其中，所述深度可分离卷积采用双路稠密结构；

将所述深度可分离卷积中的双路输出数据与所述人脸数据进行整合，以输出特征数据；

将所述特征数据与预设锚点框进行映射，输出人脸检测的结果。

与现有技术相比，本发明公开的人脸检测方法中，首先将人脸数据输入到预先训练好的深度可分离卷积中，采用双路稠密结构的深度可分离卷积模型，可以在极大地减少模型大小的同时减少人脸检测过程中的运算量；然后将所述深度可分离卷积中的双路输出数据与原始输入数据进行整合，从而提取特征数据，将卷积后的信息与原输入整合，不仅是为了在使用卷积提取特征的同时，将浅层人脸数据更直接地传递到深层，同时也可以减缓深度学习网络的梯度消失问题；最后将特征数据与预设锚点框进行映射，输出人脸检测的结果，可以使得网络对人脸信息的预测在一定的范围之内，为网络提供可靠的人脸尺寸依据，使得其更好地学习和预测人脸信息，从而在有限的网络参数情况下，保持较高的检测性能。

作为上述方案的改进，所述将所述深度可分离卷积中的双路输出数据与所述人脸数据进行整合，以输出特征数据后，还包括：

将所述特征数据输入到下一个所述深度可分离卷积中；

判断下一个所述深度可分离卷积是否为预设的目标深度可分离卷积；

若是，则将下一个所述深度可分离卷积中的双路输出数据与所述特征数据进行整合，以输出目标特征数据；若否，则将下一个所述深度可分离卷积中的双路输出数据与所述特征数据进行整合后，将整合后的数据继续输入到下一个所述深度可分离卷积中，直至下一个所述深度可分离卷积为所述目标深度可分离卷积；

则，所述将所述特征数据与预设锚点框进行映射，得到人脸检测的结果，包括：

将所述目标特征数据与预设锚点框进行映射，得到人脸检测的结果。

作为上述方案的改进，所述深度可分离卷积包括第一输出通道和第二输出通道；其中，