[发明专利]人脸检测方法和装置

说明书

本发明实施例提供一种人脸检测方法和装置，所述人脸检测方法包括获取三维人脸图像；将所述三维人脸图像输入至人脸检测模型，获取三维人脸候选框；所述人脸检测模型为，以三维人脸样本图像为样本，以与所述三维人脸样本图像对应的三维人脸标注框为样本标签进行训练得到，其中，所述三维人脸标注框基于二维人脸检测算法和三维人脸建模算法获得。本发明实施例提供的人脸检测方法，利用二维人脸检测算法获取二维人脸样本图像人脸框后，利用三维人脸建模算法将其转化为三维人脸标注框，省去了人工标注样本标签的步骤，节省了大量的人力和物力，提高了检测效率。

技术领域

本发明涉及计算机视觉技术领域，更具体地，涉及一种人脸检测方法和装置。

背景技术

人脸检测技术是计算机视觉领域的重要研究方向与课题，人脸检测技术包括人脸识别和人脸定位，人脸识别是识别出输入图像或视频中的人脸，人脸定位是准确地给出人脸所在的位置。人脸检测技术是人脸识别和人脸属性分析等技术的基础，被广泛地应用在智慧零售、体感游戏和监控安防等多种场景中，具有重要的研究价值。

根据输入数据维度的不同，可以将人脸检测分为二维人脸检测和三维人脸检测。对于二维人脸检测，输入的数据为RGB格式，即可见光谱图像数据或视频数据，当光照条件较好时，可见光谱可以提供丰富的细节信息，从而使得人脸与背景之间的差异较大，有利于从背景中识别出人脸，当光照条件不好时，可见光谱图像中人脸较“黑”，很难从背景中识别出人脸。

对于三维人脸检测，输入的数据为深度图像转换成的点云数据，深度图像对有无光照不敏感，即使当光照条件不好时，深度图像数据则依然可以提供丰富的人脸信息。因此从这个角度上来说，三维人脸检测具有更广阔的应用场景。

对于三维人脸检测而言，需要先用大量的三维学习样本和三维学习样本标签对人脸检测模型进行训练，三维学习样本的数量越大，人脸检测模型的学习效果越好，但是三维学习样本的数量越大，三维学习样本标签的标注数量越大，人脸检测模型的数据集的构建效率和检测准确率往往不能同时兼顾。

发明内容

本发明实施例提供一种克服上述问题或者至少部分地解决上述问题的人脸检测方法、装置、电子设备和可读存储介质。

第一方面，本发明实施例提供一种人脸检测方法包括：获取三维人脸图像；将所述三维人脸图像输入至人脸检测模型，获取三维人脸候选框；所述人脸检测模型为，以三维人脸样本图像为样本，以与所述三维人脸样本图像对应的三维人脸标注框为样本标签进行训练得到，其中，所述三维人脸标注框基于二维人脸检测算法和三维人脸建模算法获得。

在一些实施例中，所述三维人脸标注框基于二维人脸检测算法和三维人脸建模算法获得包括：任一所述三维人脸样本图像包括彩色人脸样本图像和深度人脸样本图像；使用所述二维人脸检测算法对所述彩色人脸样本图像进行检测，获取二维人脸样本图像人脸框；基于所述二维人脸样本图像人脸框和所述三维人脸建模算法，获取人脸的三维位置信息；基于所述三维位置信息，获取所述三维人脸标注框。

在一些实施例中，所述三维人脸样本图像通过RGB-D相机获取，所述基于所述三维位置信息，获取所述三维人脸标注框包括：基于所述三维位置信息及所述RGB-D相机的参数，获取所述三维人脸标注框。

在一些实施例中，所述将所述三维人脸图像输入至人脸检测模型，获取三维人脸候选框包括：对所述三维人脸图像提取点云特征；使用基于深度网络的霍夫投票对所述点云特征进行检测；生成所述三维人脸候选框。

在一些实施例中，所述使用基于深度网络的霍夫投票对所述点云特征进行检测包括：基于神经网络选择兴趣点；基于网络学习获取投票；基于点云处理网络层实现所述投票的聚类。

在一些实施例中，所述对所述三维人脸图像提取点云特征之前包括：获取深度人脸图像；对所述深度人脸图像进行数据增广与数据预处理，获取所述三维人脸图像。