[发明专利]人脸误检过滤的方法、系统、电子装置和存储介质

说明书

本申请涉及一种人脸误检过滤的方法、系统、电子装置和存储介质，其中，该人脸误检过滤的方法包括：通过人脸关键点检测模型，检测出RGB图像中人脸关键点包括：左眼中心、右眼中心、鼻子中心、左嘴角和右嘴角；获取鼻子中心到左眼中心的向量a的模为|a|，鼻子中心到右眼中心的向量b的模为|b|，鼻子中心到左嘴角的向量c的模为|c|，鼻子中心到右嘴角的向量d的模为|d|；计算|a|与|b|的差，以及|c|与|d|的差，获得|a|‑|b|和|c|‑|d|的值；通过分别比较|a|‑|b|的值的绝对值和|c|‑|d|的值的绝对值与预设阈值之间的大小，判断RGB图像的人脸检测结果。解决了相关技术中人脸检测使用的检测网络参数量大，无法应用到设备端，以及误检过滤方法复杂的问题，提高了检测速度和检测精度，且方法简单、易于操作。

技术领域

本申请涉及人工智能领域，特别是涉及人脸误检过滤的方法、系统、电子装置和存储介质。

背景技术

人脸检测是指通过模型将输入图像分为人脸或非人脸，属于二分类问题，而误检指的是非人脸被认为是人脸。随着技术的发展，人脸检测方法也在不断的更新，然而不管是传统的方法还是基于深度学习的方法，人脸检测误检这一问题始终存在。

在相关技术中，一方面人脸检测方法使用的检测网络参数量大，导致无法应用到设备端，另一方面人脸检测方法使用的误检过滤方法较复杂，不易操作。

目前针对相关技术中，人脸检测使用的检测网络参数量大、误检过滤方法复杂的问题，尚未提出有效的解决方案。

发明内容

本申请实施例提供了人脸误检过滤的方法、系统、电子装置和存储介质，至少解决相关技术中人脸检测使用的检测网络参数量大，无法应用到设备端，以及误检过滤方法复杂的问题。

第一方面，本申请实施例提供了一种人脸误检过滤的方法，所述方法包括：

通过人脸关键点检测模型，检测出RGB图像中人脸关键点包括：左眼中心、右眼中心、鼻子中心、左嘴角和右嘴角；

获取所述鼻子中心到所述左眼中心的向量a的模为|a|，所述鼻子中心到所述右眼中心的向量b的模为|b|，所述鼻子中心到所述左嘴角的向量c的模为|c|，所述鼻子中心到所述右嘴角的向量d的模为|d|；

计算|a|与|b|的差，以及|c|与|d|的差，获得|a|-|b|和|c|-|d|的值；

通过分别比较所述|a|-|b|的值的绝对值和所述|c|-|d|的值的绝对值与预设阈值之间的大小，判断所述RGB图像的人脸检测结果。

在其中一些实施例中，所述判断所述RGB图像的人脸检测结果包括：

在所述|a|-|b|的值的绝对值和所述|c|-|d|的值的绝对值均小于所述预设阈值的情况下，检测结果为人脸。

在其中一些实施例中，所述人脸关键点检测模型包括：

利用改进后的shuffle-net网络对所述人脸关键点检测模型进行训练。

在其中一些实施例中，所述对所述人脸关键点检测模型进行训练包括：

通过训练集训练所述人脸关键点检测模型，调整所述人脸关键点检测模型的深度和宽度。

第二方面，本申请实施例提供了一种人脸误检过滤的系统，所述系统包括：

检测模块，用于通过人脸关键点检测模型，检测出RGB图像中人脸关键点包括：左眼中心、右眼中心、鼻子中心、左嘴角和右嘴角；

向量模块，用于获取所述鼻子中心到所述左眼中心的向量a的模为|a|，所述鼻子中心到所述右眼中心的向量b的模为|b|，所述鼻子中心到所述左嘴角的向量c的模为|c|，所述鼻子中心到所述右嘴角的向量d的模为|d|；