[发明专利]人脸位置检测方法、电子设备和存储介质

说明书

本申请实施例涉及人脸位置检测方法、电子设备和存储介质，属于人脸识别技术领域，该方法包括：对采集的人脸图片采用全连接层提取第一特征向量，并拼接为特征向量矩阵；将特征向量矩阵通过预设的分割策略进行分割，并送入特定的跨域全连接层，得到目标向量矩阵；将目标向量矩阵逐行输入全局平均池化层，并通过全连接层提取第二特征向量；将第二特征向量分别送入置信度全连接层和检测位置全连接层，得到置信度向量和人脸位置向量；根据人脸位置向量和置信度向量计算出人脸位置。根据本申请实施例，不仅检测的人脸位置精度高，而且降低了计算量，运算速度快，能够在运算能力弱的设备上实时运行。

技术领域

本申请涉及人脸识别技术领域，特别是涉及人脸位置检测方法、电子设备和存储介质。

背景技术

随着AI产品相关技术的日渐成熟，人脸检测技术在很多领域（例如门禁、考勤、金融、人证合一等领域）的应用越来越广泛。因此，有效的人脸检测技术显得越来越重要，其中，人脸位置检测是指对成像设备上获取的人脸图片识别出人脸的相对位置，并过滤掉非人脸数据，人脸数据的输入形式主要包括照片、视频等。

目前，主要是通过注意力机制神经网络和卷积神经网络来检测人脸位置，但是上述两种神经网络（尤其是大型卷积神经网络）在运行时运算量很大，所以无法在计算能力较弱的设备（例如门禁设备）上实时运行，对此，相关技术中尚未得到有效的解决。

发明内容

本申请实施例提供了人脸位置检测方法、电子设备和存储介质，以至少解决相关技术中神经网络的运算量很大导致无法在计算能力较弱的设备上实时运行的问题。

第一方面，本申请实施例提供了一种人脸位置检测方法，包括：对采集的人脸图片采用全连接层提取第一特征向量，并拼接为特征向量矩阵；将所述特征向量矩阵通过预设的分割策略进行分割，并送入特定的跨域全连接层，得到目标向量矩阵；将所述目标向量矩阵逐行输入全局平均池化层，并通过全连接层提取第二特征向量；将所述第二特征向量分别送入置信度全连接层和检测位置全连接层，得到置信度向量和人脸位置向量；根据所述人脸位置向量和所述置信度向量计算出人脸位置。

在其中一些实施例中，所述特定的跨域全连接层包括跨通道域全连接层和跨空间域全连接层。

在其中一些实施例中，所述的对采集的人脸图片采用全连接层提取第一特征向量，并拼接为特征向量矩阵包括：将采集的人脸图片归一化到预设大小的图片；将所述预设大小的图片裁剪为预设数量的同样大小的区块图；将每个所述区块图展开为一维向量，并输入全连接层，得到所述预设数量的规定长度的第一特征向量；将所述预设数量的所述第一特征向量纵向拼接为特征向量矩阵。

在其中一些实施例中，在所述特征向量矩阵表示为第一矩阵[n,t]，且n表示特征数量，t表示特征长度的情况下，所述的将所述特征向量矩阵通过预设的分割策略进行分割，并送入特定的跨域全连接层，得到目标向量矩阵包括：

步骤1：将所述第一矩阵[n,t]进行转置，得到第一转置矩阵[t,n]；将所述第一转置矩阵[t,n]拆分成t个长度为n的向量，并送入跨通道域全连接层，再将输出结果进行纵向拼接，得到第二转置矩阵[t,n]；将所述第二转置矩阵[t,n]进行转置，得到第二矩阵[n,t]；将所述第二矩阵[n,t]与所述第一矩阵[n,t]进行相加，得到第三矩阵[n,t]；

步骤2：将所述第三矩阵[n,t]拆分成n个长度为t的向量并送入跨空间域全连接层，然后送入激活函数Relu中，再将输出结果进行纵向拼接，得到第四矩阵[n,t]；将所述第四矩阵[n,t]与所述第三矩阵[n,t]进行相加，得到第五矩阵[n,t]；

步骤3：将所述第五矩阵[n,t]作为第一矩阵[n,t]循环执行步骤1至步骤2，当达到预设循环次数时，得到目标向量矩阵。