[发明专利]一种人脸检测方法、装置、电子设备和计算机存储介质

说明书

本发明涉及人脸识别技术领域，具体涉及一种人脸检测方法、装置、电子设备和计算机存储介质。该方法包括：输入任意大小的图像，利用人脸检测网络模型的特征提取模块提取图像特征，图像特征包括目标点的置信度、坐标以及相对其他点的坐标偏移量；将目标点置信度大于预设阈值的点作为目标检测框的中心点；并行卷积模块预测目标点的置信度和相对坐标偏移量，经坐标变换计算得到检测框和面部关键点；去除冗余的检测框，得到最优的人脸和人脸特征点检测结果。本发明并行训练人脸和人脸特征点检测任务，直接在图像特征图上回归出人脸和特征点位置，达到网络端到端的目的，简化人脸和人脸特征点检测步骤，去除冗余计算量，减少模型参数量。

技术领域

本发明涉及人脸识别技术领域，具体涉及一种人脸检测方法、装置、电子设备和计算机存储介质。

背景技术

近年来，随着深度学习技术和计算机硬件设备的快速发展，人们的生活逐渐进入智能化，各种智慧设备渗透到人们的周围，例如智能家居智慧规划人们的家，智能门禁系统保护小区安全。人脸检测和人脸特征点检测都是计算机视觉领域中重要的研究方向，人脸检测技术用于定位图像中人脸，而人脸特征点检测是定位人脸中具有语义特征的关键点，这两项研究都是较早有落地产品的技术，广泛应用于安保防护、刷脸支付、门禁系统等。

人脸检测算法在2003年之前大多数都是先提取手工特征，再使用分类器分类定位，早期常用的手工特征有LBP特征、SIFT特征等，但是因手工特征泛化性较差，使得这些传统算法不能应用于复杂背景中的人脸检测。之后，随着深度学习技术的兴起，很多基于深度学习的人脸检测算法如春笋般拔地而起，两阶段算法代表有Faster-Rcnn、MTCNN，该类算法需利用子网络计算找到目标候选区域，最后利用检测部分网络对候选区域集合进行类别分类和位置回归；一阶段算法代表有S³FD、SSH算法，这类算法去除了目标候选区域的计算，直接在预先设定的锚框上预测类别和回归位置。与传统算法相比，基于深度学习的人脸检测算法的应用范围更广，并且具有高精度、实时性好等特性。

人脸特征点检测的研究已经进行20多年了，大致可以分为两类算法：第一类算法主要思想是假设人脸特征点的位置信息满足某种概率分布，然后通过大量的数据学习到该分布的相关参数，这类算法归类成基于参数化模型的算法，而第二种算法也叫做基于回归模型的算法，这类算法主要思路是直接学习图像生成的特征图与人脸特征点之间的回归函数，与前者算法对比，更常应用于实际场景中，它展现了很高的准确性和鲁棒性。近几年出现的基于深度学习的人脸特征点检测算法是基于回归模型的算法，得到了令人满意的效果。完整的人脸识别系统是由三部分组成：人脸检测、人脸对齐以及人脸识别，人脸特征点检测是人脸对齐的重要前提。

发明人在实践中，发现上述现有技术存在以下缺陷：

目前大多数算法都是将人脸检测和人脸特征点检测分开进行的，出现了许多冗余的计算，步骤繁琐，大大增加时间消耗。

发明内容

为了解决上述技术问题，本发明的目的在于提供一种人脸检测方法、装置、电子设备和计算机存储介质，所采用的技术方案具体如下：

第一方面，本发明一个实施例提供了一种人脸检测方法，该方法包括以下步骤：

向人脸检测网络模型输入任意大小的图像，利用所述人脸检测网络模型的特征提取模块提取图像特征，所述图像特征包括目标点的置信度、坐标以及相对其他点的坐标偏移量；

将所述目标点的置信度大于预设阈值的点作为目标检测框的中心点；

并行卷积模块预测所述目标点的置信度和相对坐标偏移量，经坐标变换计算得到检测框和面部关键点；

去除冗余的检测框，得到最优的人脸检测结果和人脸特征点检测结果。

第二方面，本发明另一个实施例提供了一种人脸检测装置，该检测装置包括：