[发明专利]人脸检测方法、装置、电子设备和计算机可读存储介质

说明书

本发明实施例提供的人脸检测方法、装置、电子设备和计算机可读存储介质，涉及计算机视觉领域，其中，该人脸检测方法包括：获取抓拍机的图像，所述图像包含待检测人脸；将所述图像输入至预先训练的全卷积网络检测模型中，得到所述待检测人脸的人脸边界框。因此，本实施例提供的技术方案，针对抓拍机拍摄的图像，直接采用基于FCN的网络结构的全卷积网络检测模型进行人脸检测，避免了现有技术中基于FPN网络的人脸检测方式依赖特征金字塔结构和多anchor策略导致的时间消耗多的问题，提高了检测的速度。

技术领域

本发明涉及计算机视觉领域，具体而言，涉及一种人脸检测方法、装置、电子设备和计算机可读存储介质。

背景技术

在应用人脸识别的员工考勤系统中，人脸检测是人脸识别的基础，人脸检测的精度直接决定着人脸识别的精度。

目前，现有的员工考勤系统首先利用抓拍机获取图像，然后基于FPN(FeaturePyramid Network，特征金字塔网络)的人脸检测算法来进行人脸检测进而完成打卡的。

但是，针对人脸考勤系统中，抓拍机获取的图像中多为1张人脸，且人脸尺度变化较小的情况下，基于FPN的人脸检测算法的特征金字塔结构和多anchor策略导致了更多的时间消耗，检测速度较低。

发明内容

有鉴于此，本发明的目的在于提供一种人脸检测方法、装置、电子设备和计算机可读存储介质。

为了实现上述目的，本发明实施例采用的技术方案如下：

第一方面，本发明实施例提供一种人脸检测方法，包括：

获取抓拍机的图像，所述图像包含待检测人脸；

应用预先训练的全卷积网络检测模型，根据所述图像确定所述待检测人脸的人脸边界框。

在可选的实施方式中，所述应用预先训练的全卷积网络检测模型，根据所述图像确定所述待检测人脸的人脸边界框，包括：

应用预先训练的所述全卷积网络检测模型，根据所述图像输出偏置特征；其中所述偏置特征用于表征所述待检测人脸的人脸边界框的角点相对于图像的中心的偏置；

基于所述偏置特征确定所述人脸边界框。

在可选的实施方式中，所述偏置特征包括偏置坐标；所述偏置坐标用于表征所述待检测人脸的人脸边界框的角点坐标相对于图像的中心坐标的偏置；

或者，

所述偏置特征包括偏置距离；所述偏置距离用于表征所述待检测人脸的人脸边界框的边界线相对于图像的中心的距离。

在可选的实施方式中，所述应用预先训练的全卷积网络检测模型，根据所述图像确定所述待检测人脸的人脸边界框，包括：

所述应用预先训练的全卷积网络检测模型，对所述图像进行检测，得到待确认人脸边界框；

应用预先训练的关键点检测模型，根据所述图像确定所述待检测人脸的人脸关键点；

如果所述人脸关键点在所述待确认人脸边界框的内部，确定所述待确认人脸边界框为所述待检测人脸的人脸边界框。

在可选的实施方式中，所述方法还包括：

对所述待检测人脸的人脸边界框进行去重处理，得到目标人脸边界框。

第二方面，本发明实施例提供一种人脸检测方法，包括：

获取训练样本数据；所述训练样本数据包括多个抓拍机的图像样本，所述图像样本包括预先确定的人脸边界框以及人脸边界框的角点的像素级标注；

应用所述训练样本数据，对初始的全卷积网络检测模型进行训练，得到训练后的全卷积网络检测模型。