[发明专利]一种快速人脸密度预测和人脸检测方法、装置、电子设备及存储介质

说明书

本申请提供一种快速人脸密度预测和人脸检测方法、装置、电子设备及存储介质，该方法包括以下步骤：获取待检测图像；采用特征金字塔残差块提取待检测图像中的多尺度特征；采用互嵌入上采样模块进行特征融合；采用人脸检测模块预测人脸置信度和人脸的宽度、高度。在上述的实现过程中，本申请采用预测高斯分布的方法来预测图像中的人脸密度和检测图像中的人脸，避免使用候选框而带来的不稳定因素；采用一种特征金字塔残差块使用小的卷积核并且不增加网络的深度来增大神经元的感受野；实现不增加网络的深度和参数提高神经元的感受野，使得网络能够提取出更多的人脸信息。

技术领域

本发明涉及图像信息处理技术，尤其涉及一种快速人脸密度预测和人脸检测方法、装置、电子设备及存储介质。

背景技术

人脸检测在安防监控、人证比对、人机交互、社交等领域都有重要的应用价值。数码相机、智能手机等端上的设备已经大量使用人脸检测技术实现成像时对人脸的对焦、图集整理分类等功能，各种虚拟美颜相机也需要人脸检测技术定位人脸。

目前常见的人脸检测方法(FaceBoxes、MTCNN)需先设置人脸候选框，通过神经网络学习人脸候选框上偏移量来得到人脸在图像中的位置，而候选框的设置会直接影响人脸检测的精度；FaceBoxes模型具有很高的精度，但所包含的参数量较大；MTCNN(Multi-taskCascaded Convolutional Networks)模型参数量较少，但其特征表达能力一般，同时包含三个需要分开训练的神经网络，不容易训练；同时U型特征提取网络，特征融合时只是将高层特征扩展，未充分运用高层特征的纹理信息和低层特征的细节信息。

发明内容

为解决上述技术问题，本发明提出一种人脸检测方法，包括以下步骤：

步骤S1：获取待检测图像；

步骤S2：采用特征金字塔残差块提取待检测图像中的多尺度特征；

步骤S3：采用互嵌入上采样模块进行特征融合；

步骤S4：采用人脸检测模块预测人脸置信度和人脸的宽度、高度。

优选地，所述步骤S2包括：

步骤S2.1：使用3×3的卷积核与所述待检测图像进行卷积，将卷积后的图像送入到所述特征金字塔残差块中提取特征；

步骤S2.2：使用多个所述特征金字塔残差块组合成一个特征提取网络，提取所述步骤S2.1输出的特征图的特征；

步骤S2.3：使用多个所述特征金字塔残差块组合成一个特征提取网络，提取所述步骤S2.2输出的特征图的特征。

优选地，本申请提供的特征金字塔残差块包括：

采用1×1的卷积操作扩展特征图的通道数；将特征图在通道方向平均分成4组，第1组使用空洞大小为1的3×3卷积核卷积所述第1组的特征，第2组使用空洞大小为2的3×3卷积核卷积所述第2组的特征，第3组使用空洞大小为4的3×3卷积核卷积所述第3组的特征，第4组使用空洞大小为8的3×3卷积核卷积所述第4组的特征；将经卷积核卷积后的4组特征按顺序组合起来组成第一特征图，使用1×1的卷积将所述第一特征图进行特征融合形成第二特征图；将所述特征图和所述第二特征图相加起来。

其中，第1组、第2组、第3组、第4组的空洞卷积的感受野分别是3、5、9、17。

本申请通过特征金字塔残差块进行特征融合实现了不增加参数的情况下增大神经元的感受野。4组空洞卷积都是深度卷积，在特征图的通道方向，将原特征图分成单通道的特征图，再使用单通道的卷积核与单通道的特征图卷积，这样又可以减少网络模型的参数。特征金字塔残差块的4组卷积横向分布，不增加网络的深度和参数又提高了神经元的感受野，使得网络能够提取出更多的人脸信息。

优选地，所述步骤S3包括：