发明内容
本发明实施例提供了一种人脸检测算法的评估方法及装置,以确保人脸图像检测的准确率。
本发明第一方面提供了一种人脸检测算法的评估方法,可包括:
获取待评估的人脸检测算法,利用所述人脸检测算法检测人脸测试库中的人脸图像样本和非人脸测试库中的非人脸图像样本,得到性能检测结果;其中,所述性能检测结果包括人脸检测率、人脸虚警率、人脸拒识率和人脸误检率;
判断所述性能检测结果是否符合预设条件;
当所述性能检测结果符合预设条件时,确定所述人脸检测算法适用于检测人脸图像;
利用所述人脸检测算法,对待检测图像进行人脸检测,所述待检测图像为人脸图像或者非人脸图像。
可以看出,在本发明实施例中在某一个人脸检测算法准备启用之前,通过对该人脸检测算法进行性能评估。首先,获取到待评估的人脸检测算法,利用人脸检测算法检测人脸测试库中的人脸图像样本和非人脸测试库中的非人脸图像样本,得到性能检测结果,性能检测结果主要包括人脸检测率、人脸虚警率、人脸拒识率和人脸误检率,其中,在性能检测结果符合预设条件时,确定人脸检测算法适用于检测人脸图像,进而可以利用该人脸检测算法去检测待检测人脸图像,以确保人脸检测的准确率。
在本发明一些实施例中,所述利用所述人脸检测算法检测人脸测试库中的人脸图像样本和非人脸测试库中的非人脸图像样本,得到性能检测结果包括:利用所述人脸检测算法检测人脸测试库中的人脸图像样本,得到所述人脸检测率和所述人脸虚警率,以及检测非人脸测试库中的非人脸图像样本,得到所述人脸拒识率和所述人脸误检率,结合所述人脸检测率、所述人脸虚警率、所述人脸拒识率和所述人脸误检率得到所述性能检测结果。
在本发明一些实施例中,所述人脸检测率的计算公式为:
所述人脸虚警率的计算公式为:
其中,所述TPR为人脸检测率,所述FPR为人脸误检率,所述Hits为在人脸图像样本上检测到与人脸图像样本上的标注相符合的人脸图像样本的数量,所述Missed1为在人脸图像样本上没有检测到人脸的数量,所述False1为在人脸图像样本上检测到与人脸图像样本上的标注不符合的人脸图像样本的数量;
所述人脸拒识率的计算公式为:
所述人脸误检率的计算公式如下:
其中,所述MFR为人脸拒识率,所述FFR人脸误检率,所述False2为在非人脸图像样本上检测到人脸的数量,所述Missed2为在非人脸图像样本上没有检测到人脸的数量,所述ImgNum为非人脸图像样本的总数。
在本发明一些实施例中,所述Hits和Missed1根据Logval获取得到,所述Logval用于表示检测的人脸图像样本与人脸图像样本中的标注的符合情况,其中,当Logval=1时,所述Hits加1,当所述Logval=0时,所述Missed1加1;
所述Logval计算公式如下:
其中,所述A(L)表示人脸图像样本中实际的人脸矩形面积,所述A(D)表示在人脸图像样本中检测到的人脸矩形面积,所述S(D,L)为人脸区域匹配度,A(D)∩A(L)为检测到的人脸区域与人脸图像样本中标注的人脸区域的重叠区域,A(D)∪A(L)为检测到的人脸区域和人脸图像样本中标注的人脸区域相并后的总区域。
可选地,上述X在[0,1]期间内取值,在S(D,L)越接近1时,说明从人脸图像样本中检测到人脸区域的准确性越可靠,使得性能检测结果符合预设条件的越少,以确保用于人脸检测的人脸检测算法的可信度得到保障。
在本发明一些实施例中,所述判断所述性能检测结果是否符合预设条件包括:判断所述人脸检测率是否大于或者等于第一预设值,且所述人脸虚警率是否小于或者等于第二预设值;和/或,判断所述人脸拒识率是否大于或等于第三预设值,且所述人脸误检率是否小于或等于第四预设值。
在本发明一些实施例总,所述当所述性能检测结果符合预设条件时,确定所述人脸检测算法适用于检测人脸图像包括:当所述人脸检测率大于或者等于第一预设值且人脸虚警率小于或者等于第二预设值时,和/或,当所述人脸拒识率大于或等于第三预设值且所述人脸误检率小于或等于第四预设值时,确定所述人脸检测算法适用于检测人脸图像。
本发明第二方面提供了一种人脸检测算法的评估装置,可包括:
测试样本模块,用于获取待评估的人脸检测算法;
算法检测模块,用于利用所述人脸检测算法检测人脸测试库中的人脸图像样本和非人脸测试库中的非人脸图像样本,得到性能检测结果;其中,所述性能检测结果包括人脸检测率、人脸虚警率、人脸拒识率和人脸误检率;
算法评估模块,用于判断所述性能检测结果是否符合预设条件,当所述性能检测结果符合预设条件时,确定所述人脸检测算法适用于检测人脸图像;
图像检测模块,用于利用所述人脸检测算法,对待检测图像进行人脸检测,所述待检测图像为人脸图像或者非人脸图像。
在本发明一些实施例中,上述算法检测模块具体用于,利用所述人脸检测算法检测人脸测试库中的人脸图像样本,得到所述人脸检测率和所述人脸虚警率,以及检测非人脸测试库中的非人脸图像样本,得到所述人脸拒识率和所述人脸误检率,结合所述人脸检测率、所述人脸虚警率、所述人脸拒识率和所述人脸误检率得到所述性能检测结果。
在本发明一些实施例中,上述算法检测模块具体用于,利用上述人脸检测算法检测人脸测试库中的人脸图像样本,得到上述人脸检测率和上述人脸虚警率,以及检测非人脸测试库中的非人脸图像样本,得到上述人脸拒识率和上述人脸误检率,结合上述人脸检测率、上述人脸虚警率、上述人脸拒识率和上述人脸误检率得到上述性能检测结果。
在本发明一些实施例中,上述人脸检测率的计算公式为:
上述人脸虚警率的计算公式为:
其中,上述TPR为人脸检测率,上述FPR为人脸误检率,上述Hits为在人脸图像样本上检测到与人脸图像样本上的标注相符合的人脸图像样本的数量,上述Missed1为在人脸图像样本上没有检测到人脸的数量,上述False1为在人脸图像样本上检测到与人脸图像样本上的标注不符合的人脸图像样本的数量;
上述人脸拒识率的计算公式为:
上述人脸误检率的计算公式如下:
其中,上述MFR为人脸拒识率,上述FFR为人脸误检率,上述False2为在非人脸图像样本上检测到人脸的数量,上述Missed2为在非人脸图像样本上没有检测到人脸的数量,上述ImgNum为非人脸图像样本的总数。
在本发明一些实施例中,上述Hits和Missed1根据Logval获取得到,上述Logval用于表示检测的人脸图像样本与人脸图像样本中的标注的符合情况,其中,当Logval=1时,上述Hits加1,当上述Logval=0时,上述Missed1加1;
上述Logval计算公式如下:
其中,上述A(L)表示人脸图像样本中实际的人脸矩形面积,上述A(D)表示在人脸图像样本中检测到的人脸矩形面积,上述S(D,L)表示人脸区域匹配度。
可选地,上述X在[0,1]期间内取值,在S(D,L)越接近1时,说明从人脸图像样本中检测到人脸区域的准确性越可靠,使得性能检测结果符合预设条件的越少,以确保用于人脸检测的人脸检测算法的可信度得到保障。
在本发明一些实施例中,上述算法评估模块具体用于,判断上述人脸检测率是否大于或者等于第一预设值,且上述人脸虚警率是否小于或者等于第二预设值;和/或,判断上述人脸拒识率是否大于或等于第三预设值,且上述人脸误检率小于或等于第四预设值。
在本发明一些实施例中,上述算法评估模块具体用于,当上述人脸检测率大于或者等于第一预设值且人脸虚警率小于或者等于第二预设值时,和/或,当上述人脸拒识率大于或等于第三预设值且上述人脸误检率小于或等于第四预设值时,确定上述人脸检测算法适用于检测人脸图像。
具体实施方式
下面将结合本发明实施例的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例提供了一种人脸检测算法的评估方法,用于对人脸检测算法进行评估,以确保人脸检测的准确率。本发明还提供了一种人脸检测算法的评估方法对应的装置。
本发明实施例提供的人脸检测算法的评估方法可以适用于评估各种人脸检测算法,包括比较常见的开源代码Pico算法,欧洲一个研究团队提供的IFface算法,深圳市中控生物识别技术有限公司提供的ZKface算法,当然,还可以适用于其他人脸检测算法,如Adaboost算法、cart算法等。本发明实施例中将会以ZKface算法、Pico算法和IFface算法作为例子进行详细介绍。
在本发明实施例中对人脸检测算法进行性能评估,主要使用该人脸检测算法去检测人脸测试库中的人脸图像样本(人脸图像样本集)和非人脸测试库中的非人脸图像样本(非人脸图像样本集)。人脸测试库和非人脸测试库可以从国内外公开的人脸或非人脸数据库中选取。对于人脸测试库的人脸图像样本,每幅人脸图像样本只包含一张人脸,对人的年龄、性别、民族、肤色、体型和身高等情况无限制要求,对于人脸姿态无限制要求,对于人脸图像样本受光照变化无限制要求,对于人脸遮挡情况有限制要求,如遮挡区域不大于整张人脸的一半。对于非人脸测试库的非人脸图像样本,每幅非人脸图像样本不能包含人脸。人脸图像样本集和非人脸图像样本集的总量不能少于3个,其中,非人脸图像样本集的个数不能少于1个,并且,每个样本集中所包括的样本不少于1500张,也就是说,人脸图像样本包括3000张及以上,非人脸图像样本包括1500张及以上。
其中,人脸测试库使用的是红外单张人脸测试库face3库、FDDB单张人脸测试库wild-2003库和MPLAB单张人脸测试库GENKI-SZSL库。非人脸测试库使用scenery库。使用待评估的人脸检测算法分别去检测红外单张人脸测试库face3库、FDDB单张人脸测试库wild-2003库和MPLAB单张人脸测试库GENKI-SZSL库中的人脸图像样本,具体是检测人脸检测率(True PositiveRate,简称TPR)和人脸虚警率(False Positive Rate,简称FPR)。然后使用待评估的人脸检测算法去检测非人脸测试库使用scenery库中的非人脸图像样本,具体是检测人脸拒识率(Missed Face Rate,简称MFR)和人脸误检率(FalseFace Rate,简称FFR)。TPR、FPR、MFR和FFR能够反映人脸检测算法的性能,从而能够评估该人脸检测算法的优势。
下面将以具体实施例,详细介绍本发明的技术方案。
请参阅图1,图1为本发明实施例提供的人脸检测算法的评估方法的流程示意图;如图1所示,一种人脸检测算法的评估方法可包括:
101、获取待评估的人脸检测算法,利用所述人脸检测算法检测人脸测试库中的人脸图像样本和非人脸测试库中的非人脸图像样本,得到性能检测结果;其中,所述性能检测结果包括人脸检测率、人脸虚警率、人脸拒识率和人脸误检率;
根据上述介绍,在一些实施例中步骤101包括:利用所述人脸检测算法检测人脸测试库中的人脸图像样本,得到所述人脸检测率和所述人脸虚警率,以及检测非人脸测试库中的非人脸图像样本,得到所述人脸拒识率和所述人脸误检率,结合所述人脸检测率、所述人脸虚警率、所述人脸拒识率和所述人脸误检率得到所述性能检测结果。
需要说明,在利用待评估的人脸检测算法对人脸图像样本进行检测时,需要记录以下几个参数:
检测总数,记录被检测的人脸图像样本的总数;
人脸检测数量(Hits),在人脸图像样本上能够检测出来与人脸图像样本上的标注相符合的人脸图像样本的数量;
人脸漏检数量(Missed1),在人脸图像样本上没有检测到人脸的数量;
人脸误检数量(False1),在人脸图像样本上检测到与人脸图像样本上的标注不符合的人脸图像样本的数量。
其中,检测总数等于Hits和Missed1的总数。
基于上述几个参数,那么TPR的计算公式如下:
FPR的计算公式如下:
同样,在利用待评估的人脸检测算法对非人脸图像样本进行检测时,记录以下几个参数:
检测总数(ImgNum),为非人脸图像样本的总数;
人脸漏检数量(Missed2),为在非人脸图像样本上没有检测到人脸的数量;
人脸误检数量(False2),为在非人脸图像样本上检测到人脸的数量。
基于上述几个参数,那么MFR的计算公式如下:
FFR的计算公式如下:
其中,在上述记录Hits和Missed时,主要根据下面公式进行记录:
其中,所述A(L)表示人脸图像样本中实际的人脸矩形面积,所述A(D)表示在人脸图像样本中检测到的人脸矩形面积,所述S(D,L)为人脸区域匹配度,A(D)∩A(L)为检测到的人脸区域与人脸图像样本中标注的人脸区域的重叠区域,A(D)∪A(L)为检测到的人脸区域和人脸图像样本中标注的人脸区域相并后的总区域。
可选地,上述X在[0,1]期间内取值,在S(D,L)越接近1时,说明从人脸图像样本中检测到人脸区域的准确性越可靠,使得性能检测结果符合预设条件的越少,以确保用于人脸检测的人脸检测算法的可信度得到保障。
也就是说,若对某张人脸图像样本进行检测(该人脸图像样本会有标注指示该人脸图像样本中人脸的矩形面积,对于人脸图像样本中的标注所指示的人脸矩形面积肯定会大于整张人脸图像样本的面积的一半,具体人脸矩形面积视实际情况而定),若检测到人脸图像样本的人脸矩形面积A(D)与该人脸图像样本中标注的人脸矩形面积A(L)的重叠区域,与A(D)和A(L)的和的比值大于X,则说明检测到与人脸图像样本标注相符合,反之,则说明检测到与人脸图像样本标注不符合。在符合时,将Logval取值为1,则Hits加1,在不符合时,将Logval取值为0,则Missed1加1。
102、判断所述性能检测结果是否符合预设条件;
需要说明,在步骤102中判断性能检测结果是否符合预设条件是指对其中TPR、FPR、MFR和FFR的判断。
其中包括判断所述人脸检测率是否大于或者等于第一预设值,且所述人脸虚警率是否小于或者等于第二预设值;和/或,判断所述人脸拒识率是否大于或等于第三预设值,且所述人脸误检率是否小于或等于第四预设值。
103、当所述性能检测结果符合预设条件时,确定所述人脸检测算法适用于检测人脸图像;
具体地,在人脸检测率大于或者等于第一预设值且人脸虚警率小于或者等于第二预设值时,和/或,人脸拒识率大于或等于第三预设值且人脸误检率小于或等于第四预设值时,确定人脸检测算法适用于检测人脸图像。
也就是说,预设条件为人脸检测算法的人脸检测率大于或者等于第一预设值且人脸虚警率小于或者等于第二预设值,或者是人脸检测算法的人脸拒识率大于或等于第三预设值且所述人脸误检率小于或等于第四预设值,或者是同时满足人脸检测算法的人脸检测率大于或者等于第一预设值且人脸虚警率小于或者等于第二预设值,和人脸检测算法的人脸拒识率大于或等于第三预设值且所述人脸误检率小于或等于第四预设值。
其中,第一预设值、第二预设值、第三预设值和第四预设值的取值范围,以及确定方式将在后续介绍,在此不再赘述。
104、利用所述人脸检测算法,对待检测图像进行人脸检测,所述待检测图像为人脸图像或者非人脸图像。
可以看出,在本发明实施例中在某一个人脸检测算法准备启用之前,通过对该人脸检测算法进行性能评估。首先,获取到待评估的人脸检测算法,利用人脸检测算法检测人脸测试库中的人脸图像样本和非人脸测试库中的非人脸图像样本,得到性能检测结果,性能检测结果主要包括人脸检测率、人脸虚警率、人脸拒识率和人脸误检率,其中,在性能检测结果符合预设条件时,确定人脸检测算法适用于检测人脸图像,进而可以利用该人脸检测算法去检测待检测人脸图像,以确保人脸检测的准确率。
下面将以ZKface算法、Pico算法和IFface算法为例,对本发明实施例提供的检测算法的评估方法进行进一步介绍。
依次利用ZKface算法、Pico算法和IFface算法,按照图1所示的步骤对人脸图像样本和非人脸图像样本进行检测,检测结果分为如下4种情况:
第1种:在对红外单张人脸测试库face3库的人脸图像样本进行检测时,IFace算法的TPR为91.770%,FPR为6.895%;ZKface算法的TPR为99.307%,FPR为0.287%;Pico算法的TPR为91.009%,FPR为10.259%。
第2种:在对FDDB单张人脸测试库wild-2003库的人脸图像样本进行检测时,IFace算法的TPR为24.760%,FPR为31.414%;ZKface算法的TPR为96.417%,FPR为0.000%;Pico算法的TPR为79.974%,FPR为20.346%。
第3种:在对MPLAB单张人脸测试库GENKI-SZSL库的人脸图像样本进行检测时,IFace算法的TPR为25.514%,FPR为3.114%;ZKface算法的TPR为78.486%,FPR为1.343%;Pico算法的TPR为51.943%,FPR为6.514%。
第4种:在对scenery库中的非人脸图像样本进行检测时,IFace算法的MFR为99.789%,FFR为0.211%;ZKface算法的MFR为100.000%,FFR为0.000%;Pico算法的MFR为100.000%,FPR为0.000%。
采用特征曲线(receiver operating characteristic curve,简称ROC)对上述三种算法的情况进行分析(主要是对三种算法用于检测人脸图像样本得到的检测结果进行分析),其中,横坐标为FPR,纵坐标为TPR,上述三种算法中FPR值与横坐标建立对应关系采用如下公式:
MiN(detinx,ImgNum-1)
TPR值与纵坐标建立对应关系采用如下公式
MiN(refinx,ImgNum-1)
其中,refinx=Max(refinx,detinx),detinx=Conf×(ImgNum/Maxconf)。
其中,MiN和Max分别表示最小值和最大值,detinx为检测到人脸的人脸图像样本的索引(若检测某一个人脸图像样本时,在该人脸图像样本中检测到人脸,给该人脸图像样本的索引赋值),refinx为人脸图像样本中标注的索引(每个人脸测试库的人脸图像样本都对应一个索引),其初始值为0。Conf为当前被检测到的人脸图样样本的置信度,Maxconf为在检测所有人脸图像样本中最大的置信度。置信度是指置信度也称为可靠度,或置信水平、置信系数,即在抽样对总体参数作出估计时,由于样本的随机性,其结论总是不确定的。因此,采用一种概率的陈述方法,也就是数理统计中的区间估计法,即估计值与总体参数在一定允许的误差范围以内,其相应的概率有多大,这个相应的概率称作置信度。
根据上述坐标建立关系,第1种检测结果对应的ROC曲线如图2所示,第2种检测结果对应的ROC曲线如图3所示,第3种检测结果对应的ROC曲线如图4所示。从图2、图3和图4可以看出,ROC曲线下面积越大,TPR准确率越高。
根据图2、图3和图4的ROC曲线可以看出如下性能评估:
a)当TPR≥95%,FPR≤3%时,判定人脸检测算法性能较优;
b)当90%≤TPR<95%,3%<FPR≤11%时,判定人脸检测算法性能为良;
c)当75%≤TPR<90%,11%<FPR≤20%时,判定人脸检测算法性能一般;
d)当TPR<75%,FPR>20%时,判定人脸检测算法性能为差。
根据该判定方式,对第1种检测结果判断如下:
序号 |
人脸检测算法 |
TPR检测结果 |
FPR检测结果 |
性能判定 |
1 |
IFace |
91.770% |
6.895% |
良 |
2 |
ZKface |
99.307% |
0.287% |
优 |
3 |
Pico |
91.009% |
10.259% |
良 |
根据该判定方式,对第2种检测结果判断如下:
序号 |
人脸检测算法 |
TPR检测结果 |
FPR检测结果 |
性能判定 |
1 |
IFace |
24.760% |
31.414% |
差 |
2 |
ZKface |
96.417% |
0.000% |
优 |
3 |
Pico |
79.974% |
20.346% |
一般 |
根据该判定方式,对第3种检测结果判断如下:
序号 |
人脸检测算法 |
TPR检测结果 |
FPR检测结果 |
性能判定 |
1 |
IFace |
25.514% |
3.114% |
差 |
2 |
ZKface |
78.486% |
1.343% |
一般 |
3 |
Pico |
51.943% |
6.514% |
差 |
以MFR为纵坐标,FFR为横坐标,对第4种检测结果建立坐标如图5所示,在图5可以看出,MFR/FFR图上点越靠左上角,MFR准确率越高。
结合图5,对于非人脸图像样本的性能评估如下:
a)当MFR≥99%,FFR≤1%时,判定人脸检测算法性能为优;
b)当95%≤MFR<99%时,1%<FFR≤5%时,判定人脸检测算法性能为良;
c)当90%≤MFR<95%时,5%<FFR≤10%时,判定人脸检测算法性能一般;
d)当MFR<90%,FFR>10%时,判定人脸检测算法性能差。
根据该判断方式,对第4种检测结果判断如下:
结合上述检测,可以知道在人脸测试库进行性能测试中,ZKface算法性能最好,其次是Pico算法,在非人脸测试库库进行性能测试中,ZKface和Pico算法最好。最后结论是ZKface算法性能最好,其次是Pico算法,而IFace算法性能一般。
根据上述评估方法,可以对上述三种人脸检测算法之外的其它人脸检测算法进行评估,以得到更多的检测结果,结合一定数量的检测结果,得到用于人脸检测算法的评估方法中的多个预设值,比如,第一预设值取值为75%,第二预设值取值为20%,第三预设值取值为90%,第四预设值取值为10%。也就是说当人脸检测率大于或等于75%且人脸虚警率小于或等于20%,和/或当人脸拒识率大于或等于90%且人脸误检率小于或等于10%时,认为人脸检测算法可以适用于人脸检测。
可以看出,可以根据本发明实施例提供的人脸检测算法的评估方法对任何的人脸检测算法进行评估,然后根据评估的结果决定是否将该人脸检测算法运用到实际检测工作中。当然,可以在确保人脸检测算法的性能达到良以上才进行运用,以确保人脸检测的准确率。
请参阅图6,图6为本发明实施例提供的人脸检测算法的评估装置的结构示意图;如图6所示,一种人脸检测算法的评估装置可包括:
测试样本模块610,用于获取待评估的人脸检测算法;
算法检测模块620,用于利用所述人脸检测算法检测人脸测试库中的人脸图像样本和非人脸测试库中的非人脸图像样本,得到性能检测结果;其中,所述性能检测结果包括人脸检测率、人脸虚警率、人脸拒识率和人脸误检率;
算法评估模块630,用于判断所述性能检测结果是否符合预设条件,当所述性能检测结果符合预设条件时,确定所述人脸检测算法适用于检测人脸图像;
图像检测模块640,用于利用所述人脸检测算法,对待检测图像进行人脸检测,所述待检测图像为人脸图像或者非人脸图像。
在本发明一些实施例中,上述算法检测模块620具体用于,利用所述人脸检测算法检测人脸测试库中的人脸图像样本,得到所述人脸检测率和所述人脸虚警率,以及检测非人脸测试库中的非人脸图像样本,得到所述人脸拒识率和所述人脸误检率,结合所述人脸检测率、所述人脸虚警率、所述人脸拒识率和所述人脸误检率得到所述性能检测结果。
其中,在本发明一些实施例中,所述人脸检测率的计算公式为:
所述人脸虚警率的计算公式为:
所述TPR为人脸检测率,所述FPR为人脸误检率,所述Hits为在人脸图像样本上检测到与人脸图像样本上的标注相符合的人脸图像样本的数量,所述Missed1为在人脸图像样本上没有检测到人脸的数量,所述False1为在人脸图像样本上检测到与人脸图像样本上的标注不符合的人脸图像样本的数量;
所述人脸拒识率的计算公式为:
所述人脸误检率的计算公式如下:
其中,所述MFR为人脸拒识率,所述FFR为人脸误检率,所述False2为在非人脸图像样本上检测到人脸的数量,所述Missed2为在非人脸图像样本上没有检测到人脸的数量,所述ImgNum为非人脸图像样本的总数。
其中,在上述记录Hits和Missed时,主要根据下面公式进行记录:
其中,所述A(L)表示人脸图像样本中实际的人脸矩形面积,所述A(D)表示在人脸图像样本中检测到的人脸矩形面积,所述S(D,L)为人脸区域匹配度,A(D)∩A(L)为检测到的人脸区域与人脸图像样本中标注的人脸区域的重叠区域,A(D)∪A(L)为检测到的人脸区域和人脸图像样本中标注的人脸区域相并后的总区域。
可选地,上述X在[0,1]期间内取值,在S(D,L)越接近1时,说明从人脸图像样本中检测到人脸区域的准确性越可靠,使得性能检测结果符合预设条件的越少,以确保用于人脸检测的人脸检测算法的可信度得到保障。
在本发明一些实施例中,上述算法评估模块具体630具体用于,判断所述人脸检测率是否大于或者等于第一预设值,且所述人脸虚警率是否小于或者等于第二预设值;和/或,判断所述人脸拒识率是否大于或等于第三预设值,且所述人脸误检率是否小于或等于第四预设值。
在本发明一些实施例中,上述算法评估模块具体630具体用于,当所述人脸检测率大于或者等于第一预设值且人脸虚警率小于或者等于第二预设值时,和/或,当所述人脸拒识率大于或等于第三预设值且所述人脸误检率小于或等于第四预设值时,确定所述人脸检测算法适用于检测人脸图像。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上对本发明所提供的一种人脸检测算法的评估方法及装置进行了详细介绍,对于本领域的一般技术人员,依据本发明实施例的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。