CN106295515B - 确定图像中的人脸区域的方法及装置 - Google Patents

Abstract

本公开是关于一种确定图像中的人脸区域的方法及装置，属于图像识别技术领域。方法包括：确定图像中的各个显著区域，显著区域是图像中具有视觉显著性的区域；计算各个显著区域的置信度，置信度用于指示对应的显著区域中的图像是人脸图像的概率；根据各个显著区域对应的置信度确定图像中的人脸区域；在检测图像中的人脸之前，首先从图像中确定可能存在人脸的显著区域，然后只对显著区域进行人脸检测，不需要对整幅图像中每个区域分别进行检测，从而极大的降低了需检测区域的数量，达到减少检测时间，提高人脸检测效率的效果。

Description

确定图像中的人脸区域的方法及装置

技术领域

本公开涉及图像识别技术领域，特别涉及一种确定图像中的人脸区域的方法及装置。

背景技术

人脸检测是一种广泛应用于身份认证、安全防护、媒体与娱乐、人脸搜索以及人脸识别等领域的图像处理算法。

在相关技术中，通过人脸检测算法确定图像中的人脸区域时，通常设置一个滑动窗口，并使用该滑动窗口逐个像素移动来扫描整张图像，每移动一个像素，即使用预设的人脸判别模型对滑动窗口中的图像进行人脸检测，以识别当前滑动窗口中是否存在人脸，为了能够检测出不同大小的人脸，通常还将整张图像经过多比例缩放后使用滑动窗口进行扫描。

发明内容

本公开实施例提供了一种确定图像中的人脸区域的方法及装置，所述技术方案如下：

根据本公开实施例的第一方面，提供了一种确定图像中的人脸区域的方法，该方法包括：

确定图像中的各个显著区域，所述显著区域是所述图像中具有视觉显著性的区域；

计算所述各个显著区域的置信度，所述置信度用于指示对应的显著区域中的图像是人脸图像的概率；

根据所述各个显著区域对应的置信度确定所述图像中的人脸区域。

可选的，所述确定图像中的各个显著区域，包括：

通过图像显著性算法确定所述图像中的各个候选显著区域，所述候选显著区域是所述图像中具有视觉显著性的矩形区域；

将所述各个候选显著区域中，宽高比处于预设宽高比区间内的候选显著区域获取为所述各个显著区域。

可选的，所述预设宽高比区间为[0.5，2]。

可选的，所述计算所述各个显著区域的置信度，包括：

通过卷积神经网络算法计算所述各个显著区域的置信度。

可选的，所述根据所述各个显著区域对应的置信度确定所述图像中的人脸区域，包括：

将所述各个显著区域中，置信度高于置信度阈值的显著区域确定为各个备选人脸区域；

将所述各个备选人脸区域中的重复区域剔除，获得所述图像中的人脸区域。

可选的，所述将所述各个备选人脸区域中的重复区域剔除，获得所述图像中的人脸区域，包括：

对于所述各个备选人脸区域中的两个备选人脸区域，计算所述两个备选人脸区域之间的交集面积与并集面积的比值；

当所述两个备选人脸区域之间的交集面积与并集面积的比值高于预设比值时，将所述两个备选人脸区域中置信度低的备选人脸区域剔除。

根据本公开实施例的第二方面，提供了一种确定图像中的人脸区域的装置，所述装置包括：

第一区域确定模块，用于确定图像中的各个显著区域，所述显著区域是所述图像中具有视觉显著性的区域；

计算模块，用于计算所述各个显著区域的置信度，所述置信度用于指示对应的显著区域中的图像是人脸图像的概率；

第二区域确定模块，用于根据所述各个显著区域对应的置信度确定所述图像中的人脸区域。

可选的，所述第一区域确定模块，包括：

第一确定子模块，用于通过图像显著性算法确定所述图像中的各个候选显著区域，所述候选显著区域是所述图像中具有视觉显著性的矩形区域；

获取子模块，用于将所述各个候选显著区域中，宽高比处于预设宽高比区间内的候选显著区域获取为所述各个显著区域。

可选的，所述预设宽高比区间为[0.5，2]。

可选的，所述计算模块，用于通过卷积神经网络算法计算所述各个显著区域的置信度。

可选的，所述第二区域确定模块，包括：

第二确定子模块，用于将所述各个显著区域中，置信度高于置信度阈值的显著区域确定为各个备选人脸区域；

获得子模块，用于将所述各个备选人脸区域中的重复区域剔除，获得所述图像中的人脸区域。

可选的，所述获得子模块，包括：

计算子模块，用于对于所述各个备选人脸区域中的两个备选人脸区域，计算所述两个备选人脸区域之间的交集面积与并集面积的比值；

剔除子模块，用于当所述两个备选人脸区域之间的交集面积与并集面积的比值高于预设比值时，将所述两个备选人脸区域中置信度低的备选人脸区域剔除。

根据本公开实施例的第三方面，提供了一种确定图像中的人脸区域的装置，所述装置包括：

处理器；

用于存储所述处理器的可执行指令的存储器；

其中，所述处理器被配置为：

确定图像中的各个显著区域，所述显著区域是所述图像中具有视觉显著性的区域；

计算所述各个显著区域的置信度，所述置信度用于指示对应的显著区域中的图像是人脸图像的概率；

根据所述各个显著区域对应的置信度确定所述图像中的人脸区域。

本公开实施例提供的技术方案可以包括以下有益效果：

通过确定图像中的各个显著区域，显著区域是图像中具有视觉显著性的区域；计算各个显著区域的置信度，置信度用于指示对应的显著区域中的图像是人脸图像的概率；根据各个显著区域对应的置信度确定图像中的人脸区域；在检测图像中的人脸之前，首先从图像中确定可能存在人脸的显著区域，然后只对显著区域进行人脸检测，不需要对整幅图像中每个区域分别进行检测，从而极大的降低了需检测区域的数量，达到减少检测时间，提高人脸检测效率的效果。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。

图1是根据一示例性实施例示出的一种确定图像中的人脸区域的方法的流程图；

图2是根据另一示例性实施例示出的一种确定图像中的人脸区域的方法的流程图；

图3是图2所示实施例涉及的一种图像中的候选显著区域的示意图；

图4是图2所示实施例涉及的一种计算显著区域的置信度的流程图；

图5是根据又一示例性实施例示出的一种确定图像中的人脸区域的方法的流程图；

图6是图5所示实施例涉及的一种重复区域剔除的示意图；

图7是根据一示例性实施例示出的一种确定图像中的人脸区域的装置的框图；

图8是根据另一示例性实施例示出的一种确定图像中的人脸区域的装置的框图；

图9是根据一示例性实施例示出的一种装置的框图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

图1是根据一示例性实施例示出的一种确定图像中的人脸区域的方法的流程图，该方法可以应用于具有图像处理能力的终端中，该终端可以是个人电脑、个人工作站、智能手机、平板电脑以及电子书阅读器等。如图1所示，该确定图像中的人脸区域的方法可以包括如下几个步骤：

在步骤101中，确定图像中的各个显著区域，该显著区域是该图像中具有视觉显著性的区域；

在步骤102中，计算该各个显著区域的置信度，该置信度用于指示对应的显著区域中的图像是人脸图像的概率；

在步骤103中，根据该各个显著区域对应的置信度确定该图像中的人脸区域。

可选的，该确定图像中的各个显著区域，包括：

通过图像显著性算法确定该图像中的各个候选显著区域，该候选显著区域是该图像中具有视觉显著性的矩形区域；

将该各个候选显著区域中，宽高比处于预设宽高比区间内的候选显著区域获取为该各个显著区域。

可选的，该预设宽高比区间为[0.5，2]。

可选的，该计算该各个显著区域的置信度，包括：

通过卷积神经网络算法计算该各个显著区域的置信度。

可选的，该根据该各个显著区域对应的置信度确定该图像中的人脸区域，包括：

将该各个显著区域中，置信度高于置信度阈值的显著区域确定为各个备选人脸区域；

将该各个备选人脸区域中的重复区域剔除，获得该图像中的人脸区域。

可选的，该将该各个备选人脸区域中的重复区域剔除，获得该图像中的人脸区域，包括：

对于该各个备选人脸区域中的两个备选人脸区域，计算该两个备选人脸区域之间的交集面积与并集面积的比值；

当该两个备选人脸区域之间的交集面积与并集面积的比值高于预设比值时，将该两个备选人脸区域中置信度低的备选人脸区域剔除。

综上所述，本公开实施例提供的确定图像中的人脸区域的方法，通过确定图像中的各个显著区域，显著区域是图像中具有视觉显著性的区域；计算各个显著区域的置信度，置信度用于指示对应的显著区域中的图像是人脸图像的概率；根据各个显著区域对应的置信度确定图像中的人脸区域；在检测图像中的人脸之前，首先从图像中确定可能存在人脸的显著区域，然后只对显著区域进行人脸检测，不需要对整幅图像中每个区域分别进行检测，从而极大的降低了需检测区域的数量，达到减少检测时间，提高人脸检测效率的效果。

图2是根据另一示例性实施例示出的一种确定图像中的人脸区域的方法的流程图，该方法可以应用于具有图像处理能力的终端中，该终端可以是个人电脑、个人工作站、智能手机、平板电脑以及电子书阅读器等。如图2所示，该确定图像中的人脸区域的方法可以包括如下几个步骤：

在步骤201中，通过图像显著性算法确定该图像中的各个候选显著区域，该候选显著区域是该图像中具有视觉显著性的矩形区域。

图像中具有视觉显著性的区域是指图像中一些与其周围区域明显不同，同时能吸引人眼注意的区域。这些具有视觉显著性的区域中通常包含特殊的物体，包括但不限于人脸。因此，在一幅包含人脸的图像中，人脸区域通常都是图像中的中具有视觉显著性的区域。

在本公开实施例中，可以通过图像显著性算法对图像进行处理，来确定图像中的具有视觉显著性的矩形区域，这些确定的具有视觉显著性的矩形区域即为候选显著区域。

可选的，本公开实施例中的图像显著性算法可以是CPMC(constrainedparametric min-cuts，约束参数最小分割)算法、MSCG(multi-scale combinatorialgrouping，多尺度组合分组)算法、RPN(Region Proposal Networks，建议网络区域)算法以及SS(Selective Search，选择性搜索)算法等等。

在步骤202中，将该各个候选显著区域中，宽高比处于预设宽高比区间内的候选显著区域获取为各个显著区域。

在通过图像显著性算法对图像进行处理，以确定图像中的候选显著区域时，除了能够确定出人脸区域对应的候选显著区域之外，还可能会确定出有很多不包含人脸的候选显著区域，其中有一些候选显著区域可能过于狭长，从而脱离了人脸可能的宽高比例。因此，在本公开实施例中，在确定出图像中的候选显著区域之后，可以通过各个候选显著区域的宽高比对各个候选显著区域进行筛选，剔除宽高比不属于预设宽高比区间的候选显著区域，剩下的宽高比处于预设宽高比区间内的候选显著区域即为上述各个显著区域。其中，该预设宽高比区间为[0.5，2]，即各个候选显著区域中宽高比低于0.5或者高于2的候选显著区域将被剔除。

比如，请参考图3，其示出了本公开实施例涉及的一种图像中的候选显著区域的示意图，其中，通过图像显著性算法确定出图像30中的候选显著区域，分别为对应树木的区域31、对应小猪储蓄罐的区域32、对应摄像机的区域33、对应长凳的区域34、对应人物的区域35以及对应人脸的区域36，需要说明的是，在实际应用中，图像中的一个物体通过图像显著性算法通常可以确定出多个候选显著区域，而图3仅以一个物体对应一个候选显著区域进行举例说明。在图3中，对应树木的区域31和对应长凳的区域34的宽高比处于预设宽高比区间为[0.5，2]之外，因此，可以将区域31和区域34剔除，将剩余的区域32、33、35以及36确定为图像30中的显著区域。

可选的，本公开上述实施例仅以预设宽高比区间为[0.5，2]为例进行说明，在实际应用中，上述预设宽高比区间可以根据实际应用情况进行设置，本公开实施例对此不做限定。

在步骤203中，通过卷积神经网络算法计算该各个显著区域的置信度，该置信度用于指示对应的显著区域中的图像是人脸图像的概率。

在图像检测领域中，卷积神经网络算法具有强大的判别能力，可以有效的提高人脸检测的精度。本公开实施例所示的方法，在确定图像中可能包含人脸的显著区域后，通过卷积神经网络算法对确定出的各个显著区域进行人脸检测，获得各个显著区域的置信度，即各个显著区域中的图像是人脸图像的概率。

其中，请参考图4，其示出了本公开实施例涉及的一种计算显著区域的置信度的流程图，在图4中输入层为一个显著区域的原始图像C0，尺寸为55×55(像素)，卷积核为3个，经过第一次卷积计算(特征提取)后，获得第一卷积层C1(尺寸为27×27，卷积核为96个)，对第一卷积层C1进行第二次卷积计算，获得第二卷积层C2(尺寸为13×13，卷积核为256个)，以此类推，获得第三卷积层C3(尺寸为13×13，卷积核为384个)和第四卷积层C4(尺寸为13×13，卷积核为256个)，之后，按照预定的矩阵计算方法对第四卷积层C4进行矩阵运算，获得第一全连接层FC5，该FC5是一个512维的特征向量，对FC5继续训练获得第二全连接层FC6(二维特征向量)，根据该二维特征向量FC6输出最终结果(即图4中的输出层)，即输出该显著区域的置信度。

在本公开上述实施例中，仅以通过卷积神经网络算法对显著区域进行置信度计算，以计算各个显著区域中的图像是人脸图像的概率为例进行说明，在实际应用中，也可以通过其它的人脸检测算法来计算各个显著区域中的图像是人脸图像的概率，比如，可以通过模板匹配模型算法、肤色模型算法、ANN(Artificial Neural Network，人工神经网络)模型算法、SVM(Support Vector Machine，支持向量机)模型算法以及Adaboost模型算法等等。

在步骤204中，根据各个显著区域对应的置信度确定该图像中的人脸区域。

通过上述步骤计算获得各个显著区域对应的置信度之后，即可以根据各个显著区域的置信度来确定各个显著区域中哪些区域包含人脸，具体的，可以确定置信度高于置信度阈值的区域包含人脸，而置信度不高于该置信度阈值的区域则不包含人脸。

此外，由于在步骤201中，图像中的一个人脸可能确定出多个显著区域，而经过后续置信度计算，该人脸对应的多个显著区域的置信度都可能高于置信度阈值。而对应同一个人脸的多个显著区域，其重合面积通常也很大，对此，本公开实施例所示的方案，在确定出置信度高于置信度阈值的显著区域后，按照显著区域之间的重合面积比例，对确定出的显著区域进行合并或剔除，最终获得的区域即为该图像中的人脸区域。

综上所述，本公开实施例提供的确定图像中的人脸区域的方法，通过确定图像中的各个显著区域，显著区域是图像中具有视觉显著性的区域；计算各个显著区域的置信度，置信度用于指示对应的显著区域中的图像是人脸图像的概率；根据各个显著区域对应的置信度确定图像中的人脸区域；在检测图像中的人脸之前，首先从图像中确定可能存在人脸的显著区域，然后只对显著区域进行人脸检测，不需要对整幅图像中每个区域分别进行检测，从而极大的降低了需检测区域的数量，达到减少检测时间，提高人脸检测效率的效果。

此外，本公开实施例提供的确定图像中的人脸区域的方法，通过图像显著性算法确定该图像中的各个候选显著区域，并将该各个候选显著区域中，宽高比处于预设宽高比区间内的候选显著区域获取为各个显著区域，按照候选显著区域的宽高比将明显不对应人脸的区域剔除，避免后续对这些被剔除的区域的图像进行不必要的检测计算，进一步降低了需检测区域的数量，提高人脸检测效率。

在上述实施例中，在根据各个显著区域对应的置信度确定该图像中的人脸区域时，对于同一人脸图像对应的多个显著区域，可以通过非最大值抑制的方法进行剔除，已获得该人脸图像对应的唯一一个人脸区域。该非最大值抑制的方法可以参考下面的实施例。

图5是根据又一示例性实施例示出的一种确定图像中的人脸区域的方法的流程图，该方法可以应用于具有图像处理能力的终端中，该终端可以是个人电脑、个人工作站、智能手机、平板电脑以及电子书阅读器等。如图5所示，该确定图像中的人脸区域的方法可以包括如下几个步骤：

在步骤501中，通过图像显著性算法确定该图像中的各个候选显著区域，该候选显著区域是该图像中具有视觉显著性的矩形区域。

在步骤502中，将该各个候选显著区域中，宽高比处于预设宽高比区间内的候选显著区域获取为各个显著区域。

在步骤503中，通过卷积神经网络算法计算该各个显著区域的置信度，该置信度用于指示对应的显著区域中的图像是人脸图像的概率。

上述步骤501至503的方案可以参考图2所示实施例中的步骤201至步骤203下的描述，此处不再赘述。

在步骤504中，将该各个显著区域中，置信度高于置信度阈值的显著区域确定为各个备选人脸区域。

在步骤505中，将该各个备选人脸区域中的重复区域剔除，获得该图像中的人脸区域。

其中，在将该各个备选人脸区域中的重复区域剔除时，对于该各个备选人脸区域中的两个备选人脸区域，可以计算该两个备选人脸区域之间的交集面积与并集面积的比值，并当该两个备选人脸区域之间的交集面积与并集面积的比值高于预设比值时，将该两个备选人脸区域中置信度低的备选人脸区域剔除。

在本公开实施例中，对于置信度高于置信度阈值的任意两个显著区域，若这两个区域的交集面积与并集面积的比值高于预设比值，则说明这两个显著区域对应同一个人脸，此时，将这两个区域中置信度低一个区域剔除，留下置信度较高的区域。可选的，在本公开实施例中，该预设比值可以设置为0.5，或者，在实际应用中，该预设比值也可以根据实际使用情况设置为其它数值。

请参考图6，其示出了本公开实施例涉及的一种重复区域剔除的示意图，在图6中，图像60中经计算确定出置信度高于置信度阈值的备选人脸区域有两个，分别为区域61a和区域61b，其中，区域61a和区域61b之间的交集面积与并集面积的比值高于0.5，且区域61a的置信度高于区域61b的置信度，此时，可以讲区域61b剔除，将区域61a确定为最终的人脸区域。

综上所述，本公开实施例提供的确定图像中的人脸区域的方法，通过确定图像中的各个显著区域，显著区域是图像中具有视觉显著性的区域；计算各个显著区域的置信度，置信度用于指示对应的显著区域中的图像是人脸图像的概率；根据各个显著区域对应的置信度确定图像中的人脸区域；在检测图像中的人脸之前，首先从图像中确定可能存在人脸的显著区域，然后只对显著区域进行人脸检测，不需要对整幅图像中每个区域分别进行检测，从而极大的降低了需检测区域的数量，达到减少检测时间，提高人脸检测效率的效果。

此外，本公开实施例提供的确定图像中的人脸区域的方法，通过图像显著性算法确定该图像中的各个候选显著区域，并将该各个候选显著区域中，宽高比处于预设宽高比区间内的候选显著区域获取为各个显著区域，按照候选显著区域的宽高比将明显不对应人脸的区域剔除，避免后续对这些被剔除的区域的图像进行不必要的检测计算，进一步降低了需检测区域的数量，提高人脸检测效率。

下述为本公开装置实施例，可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节，请参照本公开方法实施例。

图7是根据一示例性实施例示出的一种确定图像中的人脸区域的装置的框图，该确定图像中的人脸区域的装置可以通过软件、硬件或者两者的结合实现成为终端的部分或全部，该终端可以是个人电脑、个人工作站、智能手机、平板电脑以及电子书阅读器等。该确定图像中的人脸区域的装置可以包括：

第一区域确定模块701，被设置为用于确定图像中的各个显著区域，所述显著区域是所述图像中具有视觉显著性的区域；

计算模块702，被设置为用于计算所述各个显著区域的置信度，所述置信度用于指示对应的显著区域中的图像是人脸图像的概率；

第二区域确定模块703，被设置为用于根据所述各个显著区域对应的置信度确定所述图像中的人脸区域。

综上所述，本公开实施例提供的确定图像中的人脸区域的装置，通过确定图像中的各个显著区域，显著区域是图像中具有视觉显著性的区域；计算各个显著区域的置信度，置信度用于指示对应的显著区域中的图像是人脸图像的概率；根据各个显著区域对应的置信度确定图像中的人脸区域；在检测图像中的人脸之前，首先从图像中确定可能存在人脸的显著区域，然后只对显著区域进行人脸检测，不需要对整幅图像中每个区域分别进行检测，从而极大的降低了需检测区域的数量，达到减少检测时间，提高人脸检测效率的效果。

图8是根据另一示例性实施例示出的一种确定图像中的人脸区域的装置的框图，该确定图像中的人脸区域的装置可以通过软件、硬件或者两者的结合实现成为终端的部分或全部，该终端可以是个人电脑、个人工作站、智能手机、平板电脑以及电子书阅读器等。该确定图像中的人脸区域的装置可以包括：

第一区域确定模块701，被设置为用于确定图像中的各个显著区域，所述显著区域是所述图像中具有视觉显著性的区域；

计算模块702，被设置为用于计算所述各个显著区域的置信度，所述置信度用于指示对应的显著区域中的图像是人脸图像的概率；

第二区域确定模块703，被设置为用于根据所述各个显著区域对应的置信度确定所述图像中的人脸区域。

可选的，所述第一区域确定模块701，包括：

第一确定子模块701a，被设置为用于通过图像显著性算法确定所述图像中的各个候选显著区域，所述候选显著区域是所述图像中具有视觉显著性的矩形区域；

获取子模块701b，被设置为用于将所述各个候选显著区域中，宽高比处于预设宽高比区间内的候选显著区域获取为所述各个显著区域。

可选的，所述预设宽高比区间为[0.5，2]。

可选的，所述计算模块702，被设置为用于通过卷积神经网络算法计算所述各个显著区域的置信度。

可选的，所述第二区域确定模块703，包括：

第二确定子模块703a，被设置为用于将所述各个显著区域中，置信度高于置信度阈值的显著区域确定为各个备选人脸区域；

获得子模块703b，被设置为用于将所述各个备选人脸区域中的重复区域剔除，获得所述图像中的人脸区域。

可选的，所述获得子模块703b，包括：

计算子模块703b1，被设置为用于对于所述各个备选人脸区域中的两个备选人脸区域，计算所述两个备选人脸区域之间的交集面积与并集面积的比值；

剔除子模块703b2，被设置为用于当所述两个备选人脸区域之间的交集面积与并集面积的比值高于预设比值时，将所述两个备选人脸区域中置信度低的备选人脸区域剔除

综上所述，本公开实施例提供的确定图像中的人脸区域的装置，通过确定图像中的各个显著区域，显著区域是图像中具有视觉显著性的区域；计算各个显著区域的置信度，置信度用于指示对应的显著区域中的图像是人脸图像的概率；根据各个显著区域对应的置信度确定图像中的人脸区域；在检测图像中的人脸之前，首先从图像中确定可能存在人脸的显著区域，然后只对显著区域进行人脸检测，不需要对整幅图像中每个区域分别进行检测，从而极大的降低了需检测区域的数量，达到减少检测时间，提高人脸检测效率的效果。

此外，本公开实施例提供的确定图像中的人脸区域的装置，通过图像显著性算法确定该图像中的各个候选显著区域，并将该各个候选显著区域中，宽高比处于预设宽高比区间内的候选显著区域获取为各个显著区域，按照候选显著区域的宽高比将明显不对应人脸的区域剔除，避免后续对这些被剔除的区域的图像进行不必要的检测计算，进一步降低了需检测区域的数量，提高人脸检测效率。

需要说明的一点是，上述实施例提供的装置在执行确定图像中的人脸区域的方法时，仅以上述各个功能模块的划分进行举例说明，实际应用中，可以根据实际需要而将上述功能分配由不同的功能模块完成，即将设备的内容结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

本公开实施例还提供一种确定图像中的人脸区域的装置，所述装置包括：处理器；用于存储所述处理器的可执行指令的存储器；其中，所述处理器用于执行存储器中存储的可执行指令，以实现上述图1、图2或图5任一所示的方法的全部或者部分步骤，即所述处理器被配置为：

确定图像中的各个显著区域，所述显著区域是所述图像中具有视觉显著性的区域；

计算所述各个显著区域的置信度，所述置信度用于指示对应的显著区域中的图像是人脸图像的概率；

根据所述各个显著区域对应的置信度确定所述图像中的人脸区域。

可选的，所述确定图像中的各个显著区域，包括：

通过图像显著性算法确定所述图像中的各个候选显著区域，所述候选显著区域是所述图像中具有视觉显著性的矩形区域；

将所述各个候选显著区域中，宽高比处于预设宽高比区间内的候选显著区域获取为所述各个显著区域。

可选的，所述预设宽高比区间为[0.5，2]。

可选的，所述计算所述各个显著区域的置信度，包括：

通过卷积神经网络算法计算所述各个显著区域的置信度。

可选的，所述根据所述各个显著区域对应的置信度确定所述图像中的人脸区域，包括：

将所述各个显著区域中，置信度高于置信度阈值的显著区域确定为各个备选人脸区域；

将所述各个备选人脸区域中的重复区域剔除，获得所述图像中的人脸区域。

可选的，所述将所述各个备选人脸区域中的重复区域剔除，获得所述图像中的人脸区域，包括：

对于所述各个备选人脸区域中的两个备选人脸区域，计算所述两个备选人脸区域之间的交集面积与并集面积的比值；

当所述两个备选人脸区域之间的交集面积与并集面积的比值高于预设比值时，将所述两个备选人脸区域中置信度低的备选人脸区域剔除。

图9是根据一示例性实施例示出的一种用于装置900的框图。例如，装置900可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。

参照图9，装置900可以包括以下一个或多个组件：处理组件902，存储器904，电源组件906，多媒体组件908，音频组件910，输入/输出(I/O)的接口912，传感器组件914，以及通信组件916。

处理组件902通常控制装置900的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件902可以包括一个或多个处理器920来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件902可以包括一个或多个模块，便于处理组件902和其他组件之间的交互。例如，处理组件902可以包括多媒体模块，以方便多媒体组件908和处理组件902之间的交互。

存储器904被配置为存储各种类型的数据以支持在装置900的操作。这些数据的示例包括用于在装置900上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器904可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电源组件906为装置900的各种组件提供电力。电源组件906可以包括电源管理系统，一个或多个电源，及其他与为装置900生成、管理和分配电力相关联的组件。

多媒体组件908包括在所述装置900和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件908包括一个前置摄像头和/或后置摄像头。当装置900处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件910被配置为输出和/或输入音频信号。例如，音频组件910包括一个麦克风(MIC)，当装置900处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器904或经由通信组件916发送。在一些实施例中，音频组件910还包括一个扬声器，用于输出音频信号。

I/O接口912为处理组件902和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件914包括一个或多个传感器，用于为装置900提供各个方面的状态评估。例如，传感器组件914可以检测到装置900的打开/关闭状态，组件的相对定位，例如所述组件为装置900的显示器和小键盘，传感器组件914还可以检测装置900或装置900一个组件的位置改变，用户与装置900接触的存在或不存在，装置900方位或加速/减速和装置900的温度变化。传感器组件914可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件914还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件914还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件916被配置为便于装置900和其他设备之间有线或无线方式的通信。装置900可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件916经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件916还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，装置900可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器904，上述指令可由装置900的处理器920执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

一种非临时性计算机可读存储介质，当所述存储介质中的指令由装置900的处理器执行时，使得装置900能够执行如上图1、图2或图5任一所示的确定图像中的人脸区域的方法。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (10)

1.一种确定图像中的人脸区域的方法，其特征在于，所述方法包括：

通过图像显著性算法确定图像中的各个候选显著区域，所述候选显著区域是所述图像中具有视觉显著性的矩形区域；所述图像显著性算法包括约束参数最小分割算法、多尺度组合分组算法、建议网络区域算法或者选择性搜索算法；

将所述各个候选显著区域中，宽高比处于预设宽高比区间内的候选显著区域获取为各个显著区域；

通过卷积神经网络算法计算所述各个显著区域的置信度，所述置信度用于指示对应的显著区域中的图像是人脸图像的概率；

根据所述各个显著区域对应的置信度确定所述图像中的人脸区域。

2.根据权利要求1所述的方法，其特征在于，

所述预设宽高比区间为[0.5，2]。

3.根据权利要求1所述的方法，其特征在于，所述根据所述各个显著区域对应的置信度确定所述图像中的人脸区域，包括：

将所述各个显著区域中，置信度高于置信度阈值的显著区域确定为各个备选人脸区域；

将所述各个备选人脸区域中的重复区域剔除，获得所述图像中的人脸区域。

4.根据权利要求3所述的方法，其特征在于，所述将所述各个备选人脸区域中的重复区域剔除，获得所述图像中的人脸区域，包括：

对于所述各个备选人脸区域中的两个备选人脸区域，计算所述两个备选人脸区域之间的交集面积与并集面积的比值；

当所述两个备选人脸区域之间的交集面积与并集面积的比值高于预设比值时，将所述两个备选人脸区域中置信度低的备选人脸区域剔除。

5.一种确定图像中的人脸区域的装置，其特征在于，所述装置包括：

第一区域确定模块，用于确定图像中的各个显著区域，所述显著区域是所述图像中具有视觉显著性的区域；

计算模块，用于通过卷积神经网络算法计算所述各个显著区域的置信度，所述置信度用于指示对应的显著区域中的图像是人脸图像的概率；

第二区域确定模块，用于根据所述各个显著区域对应的置信度确定所述图像中的人脸区域；

其中，所述第一区域确定模块，包括：

第一确定子模块，用于通过图像显著性算法确定所述图像中的各个候选显著区域，所述候选显著区域是所述图像中具有视觉显著性的矩形区域；所述图像显著性算法包括约束参数最小分割算法、多尺度组合分组算法、建议网络区域算法或者选择性搜索算法；

获取子模块，用于将所述各个候选显著区域中，宽高比处于预设宽高比区间内的候选显著区域获取为所述各个显著区域。

6.根据权利要求5所述的装置，其特征在于，

所述预设宽高比区间为[0.5，2]。

7.根据权利要求5所述的装置，其特征在于，所述第二区域确定模块，包括：

第二确定子模块，用于将所述各个显著区域中，置信度高于置信度阈值的显著区域确定为各个备选人脸区域；

获得子模块，用于将所述各个备选人脸区域中的重复区域剔除，获得所述图像中的人脸区域。

8.根据权利要求7所述的装置 ，其特征在于，所述获得子模块，包括：

计算子模块，用于对于所述各个备选人脸区域中的两个备选人脸区域，计算所述两个备选人脸区域之间的交集面积与并集面积的比值；

剔除子模块，用于当所述两个备选人脸区域之间的交集面积与并集面积的比值高于预设比值时，将所述两个备选人脸区域中置信度低的备选人脸区域剔除。

9.一种确定图像中的人脸区域的装置，其特征在于，所述装置包括：

处理器；

用于存储所述处理器的可执行指令的存储器；

其中，所述处理器被配置为：

通过图像显著性算法确定图像中的各个候选显著区域，所述候选显著区域是所述图像中具有视觉显著性的矩形区域；所述图像显著性算法包括约束参数最小分割算法、多尺度组合分组算法、建议网络区域算法或者选择性搜索算法；

将所述各个候选显著区域中，宽高比处于预设宽高比区间内的候选显著区域获取为各个显著区域；

通过卷积神经网络算法计算所述各个显著区域的置信度，所述置信度用于指示对应的显著区域中的图像是人脸图像的概率；

根据所述各个显著区域对应的置信度确定所述图像中的人脸区域。

10.一种计算机可读存储介质，其特征在于，所述存储介质中存储有指令；所述指令由处理器执行，以实现如上述权利要求1至4任一所述的确定图像中的人脸区域的方法。

Images