[发明专利]一种人脸检测模型训练方法、人脸检测方法及其相关装置

说明书

本申请公开了一种人脸检测模型训练方法、人脸检测方法及其相关装置，构建的人脸检测网络包括主干网络、转置卷积模块和预测模块，主干网络中的若干个卷积模块与转置卷积模块跳跃连接；将具有标签信息的人脸训练样本输入到人脸检测网络，通过主干网络对人脸训练样本进行卷积，通过转置卷积模块对目标卷积特征图进行上采样，通过预测模块对采样特征图分别进行人脸关键点预测、人脸关键点偏置预测和人脸检测框预测，得到人脸预测结果；基于人脸预测结果和标签信息计算网络损失值，进而更新网络参数，得到人脸检测模型。本申请解决了现有技术在进行人脸框检测和人脸关键点检测时，需采用两个网络模型，存在的模型使用效率低和检测速度慢的技术问题。

技术领域

本申请涉及人脸检测技术领域，尤其涉及一种人脸检测模型训练方法、人脸检测方法及其相关装置。

背景技术

人脸检测是自动识别系统中的一个重要环节，其包括人脸框检测、人脸关键点检测，现有技术需要采用两个网络模型进行人脸框检测和人脸关键点检测，使得模型使用效率较低；且在一个设备中嵌入多个网络模型进行人脸检测，会影响设备的检测速度。若简单的将人脸框检测、人脸关键点检测集成在一个网络模型中，检测精度难以保证。

因此，提供一种高精度的人脸检测方法是目前亟需解决的技术问题。

发明内容

本申请提供了一种人脸检测模型训练方法、人脸检测方法及其相关装置，用于解决现有技术在进行人脸框检测和人脸关键点检测时，需采用两个网络模型，存在的模型使用效率低和检测速度慢的技术问题。

有鉴于此，本申请第一方面提供了一种人脸检测模型训练方法，包括：

构建人脸检测网络，所述人脸检测网络包括依次连接的主干网络、转置卷积模块和预测模块，所述主干网络中的若干个卷积模块与所述转置卷积模块跳跃连接；

获取人脸训练样本，所述人脸训练样本的标签信息包括真实人脸关键点坐标和真实人脸检测框；

将所述人脸训练样本输入到所述人脸检测网络，使得所述主干网络对所述人脸训练样本进行卷积处理，所述转置卷积模块对所述主干网络提取的目标卷积特征图进行上采样处理，得到采样特征图，所述预测模块对所述采样特征图分别进行人脸关键点预测、人脸关键点偏置预测和人脸检测框预测，得到所述人脸训练样本的人脸预测结果，其中，所述目标卷积特征图包括所述主干网络最后一个卷积模块输出的卷积特征图，以及与所述转置卷积模块跳跃连接的卷积模块输出的卷积特征图；

基于所述人脸训练样本的人脸预测结果和所述标签信息计算网络损失值，并通过所述网络损失值更新所述人脸检测网络的参数，直至所述人脸检测网络收敛，得到人脸检测模型。

可选的，所述主干网络为采用空洞卷积层代替MobileNetV3网络浅层中的深度可分离卷积层得到的改进后的MobileNetV3网络，所述主干网络的第五个卷积模块的输出端与所述转置卷积模块的第一个转置卷积层的输出端跳跃连接，所述主干网络的第四个卷积模块的输出端与所述转置卷积模块的第二个转置卷积层的输出端跳跃连接。

可选的，所述人脸训练样本的人脸预测结果包括人脸关键点预测结果、人脸关键点偏置预测结果和人脸检测框预测结果，所述基于所述人脸训练样本的人脸预测结果和所述标签信息计算网络损失值，包括：

根据所述人脸训练样本的所述真实人脸关键点坐标和所述人脸关键点预测结果，通过人脸关键点损失函数计算人脸关键点损失值；

根据所述人脸训练样本的所述真实人脸检测框和所述人脸检测框预测结果，通过人脸尺寸损失函数计算人脸尺寸损失值；

根据所述人脸训练样本的所述人脸关键点偏置预测结果，以及所述真实人脸检测框的中心点和所述人脸检测框预测结果的中心点的差值，通过人脸关键点偏置损失函数计算人脸关键点偏置损失值；