[发明专利]一种人脸检测方法、装置、电子设备及存储介质

说明书

本申请提供一种人脸检测方法、装置、电子设备及存储介质，该方法包括：获得待检测图像；使用预先训练的人脸检测模型中的特征提取网络提取待检测图像中的多尺度特征；使用人脸检测模型中的特征金字塔网络对多尺度特征进行融合，获得融合特征；使用人脸检测模型中的单点无头网络对融合特征进行预测，获得人脸检测结果。在上述的实现过程中，使用人脸检测模型中的单点无头网络提供全局感受野，并根据全局感受野对融合特征进行预测，这里的融合特征是对待检测图像的多尺度特征进行融合获得的，从而增强了人脸检测模型获得融合特征中的上下文信息或者互文(context)信息的能力，有效地提升了对待检测图像进行检测的检测效果。

技术领域

本申请涉及人工智能、深度学习和人脸检测的技术领域，具体而言，涉及一种人脸检测方法、装置、电子设备及存储介质。

背景技术

人工智能(Artificial Intelligence，AI)，是指研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学；人工智能是计算机科学的一个分支，人工智能企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。

深度学习(Deep Learning)，是指学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字、图像和声音等数据的解释有很大的帮助；深度学习的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据，深度学习包括但不限于使用更深层次的神经网络模型提取文字、图像和声音等数据的特征。

人脸检测(face detection)，是一种在任意数字图像中找到人脸的位置和大小的计算机技术；人脸检测可以检测出面部特征，例如是人脸的位置大小和该人脸分类，这里的人脸分类是指具体从多个人脸区别出的某个人脸的类别，并忽略诸如建筑物、树木和身体等其他任何东西。

目前对人脸进行检测的过程，大部分都是采用区域卷积神经网络(RegionConvolutional Neural Network，RCNN)、fast RCNN或者faster RCNN来对人脸进行检测，这里的RCNN是第一个成功将深度学习应用到目标检测上的算法；RCNN基于卷积神经网络和线性回归等算法，来实现目标检测的目的；在具体的实践过程中发现，在待检测图像中存在不同的明暗、遮挡、模糊、甚至人脸很小的情况下，对人脸进行检测效果不理想的问题。

发明内容

本申请实施例的目的在于提供一种人脸检测方法、装置、电子设备及存储介质，用于改善对人脸进行检测效果不理想的问题。

本申请实施例提供了一种人脸检测方法，包括：获得待检测图像；使用预先训练的人脸检测模型中的特征提取网络提取待检测图像中的多尺度特征；使用人脸检测模型中的特征金字塔网络对多尺度特征进行融合，获得融合特征；使用人脸检测模型中的单点无头网络对融合特征进行预测，获得人脸检测结果。在上述的实现过程中，使用人脸检测模型中的单点无头网络提供全局感受野，并根据全局感受野对融合特征进行预测，这里的融合特征是对待检测图像的多尺度特征进行融合获得的，从而增强了人脸检测模型获得融合特征中的上下文信息或者互文(context)信息的能力，有效地提升了对待检测图像进行检测的检测效果。

可选地，在本申请实施例中，特征提取网络包括：多个深度可分离卷积层；使用预先训练的人脸检测模型中的特征提取网络提取待检测图像中的多尺度特征，包括：使用特征提取网络中的深度可分离卷积层对待检测图像进行特征提取，获得多尺度特征。在上述的实现过程中，通过使用特征提取网络中的深度可分离卷积层对待检测图像进行特征提取，由于使用可分离卷积层替代了普通的卷积层操作，从而极大地减少卷积运算量和网络中的参数量，有效地在保持模型性能的前提下，降低人脸检测模型的尺寸大小并提升人脸检测模型的运算速度。