CN108171135A - 人脸检测方法、装置及计算机可读存储介质 - Google Patents

Abstract

本发明适用于人脸识别技术领域，提供了一种人脸检测方法、装置及计算机可读存储介质，其中方法包括：获取摄像装置采集的图片；采用预设的人脸检测算法对所述图片进行筛选；判断预先建立的特定过滤池中是否有与筛选出的图片相匹配的非人脸样本图片；所述特定过滤池中存储有事先预测的实际应用场景中将被重复采集到的非人脸样本图片；若有与所述图片相匹配的非人脸样本图片，则将所述图片识别为非人脸图片，过滤所述图片。本发明可以在实际应用场景中精确的过滤掉低质量图片，降低人脸识别的误检率。

Description

人脸检测方法、装置及计算机可读存储介质

技术领域

本发明属于人脸识别技术领域，尤其涉及一种人脸检测方法、装置及计算机可读存储介质。

背景技术

随着人脸检测、识别技术的发展，人脸检测的应用场景已经远远超出原有识别系统的范畴，在数字视频处理、内容检索检测等方面有重大意义。当前，该技术最热门的应用领域有三个方面，身份验证与安全防护、媒体娱乐以及图像搜索。人脸检测技术是一个复杂的模式检测问题，大致概括为受两个因素影响，其一，人脸内在变化，比如外貌、肤色、表情的不同，还有装饰遮挡、穿戴眼睛、头部饰物等；其二，外在条件，抓拍人脸的姿态不同，光照强度变化、对比度和阴影等成像条件，这些变量都不同程度地增加了人脸检测的难度。如今各种人脸检测技术在各个测试、检索部分中逐渐增强特征提取的力度、丰富比对的全面型等等，但是针对不同的实际应用场景，难免存在部分低质量的图片未能被过滤，即在人脸图片过滤过程中缺失相关低质量图片的特征信息，导致误检率较高。

发明内容

有鉴于此，本发明提供了一种人脸检测方法、装置及计算机可读存储介质，以解决现有技术中的人脸检测方法针对不同的实际应用场景，存在部分低质量的图片未能被过滤，即在人脸图片过滤过程中缺失相关低质量图片的特征信息，导致误检率较高的问题。

本发明的第一方面提供了一种人脸检测方法，其特征在于，包括：

获取摄像装置采集的图片；

采用预设的人脸检测算法对所述图片进行筛选；

判断预先建立的特定过滤池中是否有与筛选出的图片相匹配的非人脸样本图片；所述特定过滤池中存储有事先预测的实际应用场景中将被重复采集到的非人脸样本图片；

若有与所述图片相匹配的非人脸样本图片，则将所述图片识别为非人脸图片，过滤所述图片。

本发明的第二方面提供了一种人脸检测装置，包括：

获取单元，用于获取摄像装置采集的图片；

筛选单元，用于采用预设的人脸检测算法对所述图片进行筛选；

特征比对单元，用于判断预先建立的特定过滤池中是否有与筛选出的图片相匹配的非人脸样本图片；所述特定过滤池中存储有事先预测的实际应用场景中将被重复采集到的非人脸样本图片；

特定目标过滤单元，用于若有与所述图片相匹配的非人脸样本图片，则将所述图片识别为非人脸图片，过滤所述图片。

本发明的第三方面提供了一种人脸检测装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其中，所述处理器执行所述计算机程序时实现如上述第一方面所述方法的步骤。

本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其中，所述计算机程序被处理器执行时实现如上述第一方面所述方法的步骤。

本发明的有益效果是：

本发明通过预测实际应用场景中将被重复采集到的非人脸样本图片，将其存储至特定过滤池后，后续在采用预设的人脸检测算法对摄像装置采集到的图片进行筛选后，进一步的将筛选出来的图片与特定过滤池中的非人脸样本图片进行比对，以进一步的过滤掉预设的人脸检测算法漏检或者误检的非人脸图片，从而可以在实际应用场景中精确的过滤掉低质量图片，降低误检率。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的人脸检测方法的实现流程示意图；

图2是本发明另一实施例提供的人脸检测方法的实现流程示意图；

图3是本发明实施例提供的人脸检测装置的结构示意图；

图4是本发明另一实施例提供的人脸检测装置的结构示意图；

图5是本发明又一实施例提供的人脸检测装置的结构示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。

为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。

图1示出了本发明实施例提供的人脸检测方法的实现流程。参见图1所示，本实施例提供的人脸检测方法的实现流程详述如下：

步骤S101，获取摄像装置采集的图片。

在本实施例中，所述摄像装置包括一个或多个摄像机，其中所述多个是指两个或两个以上。步骤S101具体包括：所述一个或多个摄像机按照预设的频率进行图像采集，并实时将采集的图片发送至人脸检测装置；或者，由所述非人脸检测装置按照预设的频率读取所述一个或者多个摄像机采集到的图片。

在实际应用场景中，首先通过摄像装置按照一定的频率抓拍采集图片，

步骤S102，采用预设的人脸检测算法对所述图片进行筛选。

其中，步骤S102具体包括：

采用人脸检测器对所述摄像装置采集到的图片进行过滤，所述人脸检测器为单个分类器或者由多种分类器构建成的套嵌级联分类器；和/或，

建立人脸识别模型数据库，所述人脸识别模型数据库包括基于人脸数据训练得到人脸模型和基于特定类型的非人脸数据训练得到的非人脸模型；

根据所述人脸模型和所述非人脸模型对所述人脸检测器筛选出的人脸图片进行过滤。

在一具体实现示例中，在获取到摄像机抓拍到的图片后，首先由所述单个分类器或者多种分类器构建成的嵌套级联分类器对其进行检测，过滤掉图片中的非人脸图片；然后再通过人脸识别模型数据库进一步的对人脸检测器筛选出来的图片进行非人脸过滤。

其中，所述人脸检测器中的各类分类器都是预先训练得到的，不同种类的分类器侧重各有不同，有的分类器善于抓取正人脸图片，有的分类器善于抓取侧脸，有的分类器适用在光线强烈的环景下；不同种类的分类器灵敏程度各异，灵敏度愈高的分类器抓取人脸的误检率愈高，同等情况下，漏检率愈低。不同的应用场景下所述人脸检测器将将使用不同的分类器或者不同的分类器组合。

在一具体实现示例中，可将灵敏度较强的分类器作为第一层过滤，在不考虑误检的情况下，尽可能多的获取到图片中的潜在人脸，减少漏检的可能性，然后考虑其他情况下的误检可能，由其他分类器再次检测，这样经过多种分类器串行检测后，筛选出来的人脸图片再进入下一轮的过滤。

由于在采用特定过滤池对摄像机抓拍到的图片进行过滤前先采用人脸检测器对所述摄像机抓拍到的图片进行过滤，这样可以提高过滤精度，降低误检率。

所述人脸模型为基于百万量级的人脸数据训练得到的，所述非人脸模型为基于大量特定类型数据训练得到的。其中，特定类型数据包括但不限于各类动物的图像数据。其中，所述根据人脸模型和所述非人脸模型对所述人脸检测器筛选出的图片进行过滤包括：

提取所述图片中被拍摄对象的轮廓，将所述轮廓与所述人脸识别模型数据库中的所述人脸模型进行比对；

若查找到与所述轮廓相匹配的人脸模型，则将所述图片识别为人脸图片，进入下一轮识别；

若未查找到与所述轮廓相匹配的人脸模型，则将所述图片识别为非人脸图片，过滤掉所述图片；

将上述识别出的人脸图片所对应的轮廓进一步的与所述非人脸模型进行比对；

若查找出与所述轮廓相匹配的非人脸模型，则说明出现误检，将该图片识别为非人脸图片，过滤掉所述图片；

若未查找出与所述轮廓相匹配的非人脸模型，则说明未出现误检，再进入下一轮过滤。

由于在采用人脸检测器对摄像机抓拍到的图片进行过滤后，再采用模型匹配算法对所述摄像机抓拍到的图片进行过滤，这样可以进一步的提高过滤精度，降低误检率。

步骤S103，判断所述特定过滤池中是否有与所述图片相匹配的非人脸样本图片；所述特定过滤池中存储有事先预测的实际应用场景中将被重复采集到的非人脸样本图片；若有与所述图片相匹配的非人脸样本图片，则进入步骤S104；若没有与所述图片相匹配的非人脸样本图片，则将所述图片识别为人脸图片，不进行过滤处理。

其中，所述非人脸样本图片是指可预测到的非人脸的样本图片。在本实施例中，不同应用场景所对应可预测到的非人脸样本图片也不相同。例如：若实际应用场景为商场，则可预测到的将被重复采集到的非人脸样本图片包括各种类型的手提包照片；若应用场景为车辆密集的街道，则可预测到将被重复采集到的非人脸样本图片包括各种类型的车轮图片等。

在一具体实现示例中，所述判断所述特定过滤池中是否有与所述图片相匹配的非人脸样本图片具体包括：

识别所述图片和所述非人脸样本图片的特征点；

将所述图片的特征点和所述非人脸样本图片的特征点进行比较，计算两者之间的相似度；

若两者之间的相似度大于预设阈值，则说明所述非人脸样本图片与所述图片相匹配，此时进入到步骤S104；

反之，若两者之间的相似度小于或等于预设阈值，则说明所述非人脸样本图片与所述图片不相匹配，此时遍历过滤池中的其他非人脸样本图片，若遍历完后仍未查询到与所述图片的相似度达到预设阈值的非人脸样本图片，则将所述图片识别为人脸图片，不进行过滤处理。

步骤S104，将所述图片识别为非人脸图片，过滤所述图片。

在本实施例中，若在所述特定过滤池中查找到与所述图片相匹配的非人脸样本图片，则说明该图片为误检的人脸图片，因此将其识别为非人脸图片，并过滤掉所述图片。

以上可以看出，本实施例中，由于在采用预设的人脸检测算法对摄像装置采集到的图片进行人脸图片筛选后，又进一步的通过特定过滤池中存储的非人脸的非人脸样本图片对筛选出的人脸图片进行过滤，由于特定过滤池中的非人脸样本图片是根据实际应用场景预先设置的，因此其可以精确的识别出特定应用场景下被误检可能性较小的低质量非人脸图片，并将其从人脸图片中过滤掉，从而能够降低人脸识别的误检率。

图2是本发明另一实施例提供的人脸检测方法的实现流程示意图。参见图2，本实施例中的步骤S201～步骤S204由于分别与上一实施例中的步骤S101～步骤S104的实现方式完全相同，因此在此不再赘述。与上一实施例不同的是，本实施例提供的人脸检测方法在步骤S204之后还包括：

步骤S205，若没有与所述图片相匹配的非样本人脸图片，则显示所述图片，供相关工作人员判断是否出现误检；

步骤S206，接收所述相关工作人员输入的判断结果，若判断结果为非误检，则进入步骤S207；若判断结果为误检，则进入步骤S208；

步骤S207，将所述图片识别为人脸图片；

步骤S208，将所述图片识别为非人脸图片，过滤所述图片。

在本实施例中，由于在实际应用场景中还有一些较难被预知的非人脸非人脸样本图片，当这些类型的图片出现误检后，通过特定过滤池也无法将其滤除，因此，在步骤S204之后，进一步的将经过特定过滤池筛选出的人脸图片显示给相关工作人员，供相关工作人员检验其是否出现误检，并根据检验结果进一步的进行非人脸过滤，这样可以进一步降低误检率，提高人脸检测方法的可靠性。

优选的，相对于上一实施例，在本实施例中，在步骤S208之后还包括：

步骤S209，将所述图片添加至所述特定过滤池。

在本实施例中，由相关工作人员人工干预过滤面向的是实时场景问题，该类型图片被误检的可能性很小，人脸采集开始前较难预知可能出现的误检图片类型。在实时场景中，若统计出在人工干预过滤阶段某种类型的误检图片，则将该误检图片添加至所述特定过滤池中作为非人脸样本图片，这样可以避免后续出现该类型的误检图片。

以上可以看出，相对于上一实施例，本实施例提供的人脸检测方法由于通过人工干预过滤，从而可以进一步的降低误检率，提高非人脸过滤的可靠性。

图3是本发明实施例提供的人脸检测装置的结构示意图。为了便于说明仅仅示出了与本实施例相关的部分。

参见图3所示，本实施例提供的人脸检测装置3，包括：

获取单元31，用于获取摄像装置采集的图片；

筛选单元32，用于采用预设的人脸检测算法对所述图片进行筛选；

特征比对单元33，用于判断预先建立的特定过滤池中是否有与筛选出的图片相匹配的非人脸样本图片；所述特定过滤池中存储有事先预测的实际应用场景中将被重复采集到的非人脸样本图片；

特定目标过滤单元34，用于若有与所述图片相匹配的非人脸样本图片，则将所述图片识别为非人脸图片，过滤所述图片。

可选的，所述筛选单元32具体用于：

采用人脸检测器对所述摄像装置采集到的图片进行过滤，所述人脸检测器为单个分类器或者由多种分类器构建成的套嵌级联分类器和/或，

建立人脸识别模型数据库，所述人脸识别模型数据库包括基于人脸数据训练得到人脸模型和基于特定类型的非人脸数据训练得到的非人脸模型；

根据所述人脸模型和所述非人脸模型对所述人脸检测器筛选出的人脸图片进行过滤。

可选的，参见图4所示，在另一实施例中，所述人脸检测装置3还包括：

显示单元35，用于若没有与所述图片相匹配的非人脸样本图片，则显示所述图片，供相关工作人员判断是否出现误检；

接收单元36，用于接收所述相关工作人员输入的判断结果；

误检校正单元37，用于若判断结果为误检，则将所述图片识别为非人脸图片，过滤所述图片；若判断结果为非误检，则将所述图片识别为人脸图片。

可选的，所述人脸检测装置3还包括：

过滤样本添加单元38，用于将所述图片添加至所述特定过滤池。

需要说明的是，本发明实施例提供的上述装置中的各个单元，由于与本发明方法实施例基于同一构思，其带来的技术效果与本发明方法实施例相同，具体内容可参见本发明方法实施例中的叙述，此处不再赘述。

因此，可以看出，本发明实施例提供的人脸检测装置同样可以精确的识别出特定应用场景下被误检可能性较小的低质量非人脸图片，并将其从人脸图片中过滤掉，从而能够降低人脸识别的误检率。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

图5是本发明又一实施例提供的人脸检测装置的示意图。如图5所示，该实施例的人脸检测装置5包括：处理器50、存储器51以及存储在所述存储器51中并可在所述处理器50上运行的计算机程序52。所述处理器50执行所述计算机程序52时实现上述各个方法实施例中的步骤，例如图1所示的步骤101至105。或者，所述处理器50执行所述计算机程序52时实现上述各装置实施例中各模块/单元的功能，例如图3所示单元31至34的功能。

示例性的，所述计算机程序52可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器51中，并由所述处理器50执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序52在所述人脸检测装置中的执行过程。例如，所述计算机程序52可以被分割成获取单元31、筛选单元32、特征比对单元33以及特定目标过滤单元34，各模块具体功能如下：

获取单元31，用于获取摄像装置采集的图片；

筛选单元32，用于采用预设的人脸检测算法对所述图片进行筛选；

特征比对单元33，用于判断预先建立的特定过滤池中是否有与筛选出的图片相匹配的非人脸样本图片；所述特定过滤池中存储有事先预测的实际应用场景中将被重复采集到的非人脸样本图片；

特定目标过滤单元34，用于若有与所述图片相匹配的非人脸样本图片，则将所述图片识别为非人脸图片，过滤所述图片。

所述非人脸检测装置5可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述非人脸检测装置5可包括，但不仅限于，处理器50、存储器51。本领域技术人员可以理解，图5仅仅是人脸检测装置的示例，并不构成对非人脸检测装置5的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端还可以包括输入输出设备、网络接入设备、总线等。

所称处理器50可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器51可以是所述人脸检测装置的内部存储单元，例如人脸检测装置的硬盘或内存。所述存储器51也可以是所述人脸检测装置的外部存储设备，例如所述人脸检测装置上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器51还可以既包括所述人脸检测装置的内部存储单元也包括外部存储设备。所述存储器51用于存储所述计算机程序以及所述终端所需的其他程序和数据。所述存储器51还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

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或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种人脸检测方法，其特征在于，包括：

获取摄像装置采集的图片；

采用预设的人脸检测算法对所述图片进行筛选；

判断预先建立的特定过滤池中是否有与筛选出的图片相匹配的非人脸样本图片；所述特定过滤池中存储有事先预测的实际应用场景中将被重复采集到的非人脸样本图片；

若有与所述图片相匹配的非人脸样本图片，则将所述图片识别为非人脸图片，过滤所述图片。

2.如权利要求1所述的人脸检测方法，其特征在于，所述判断所述特定过滤池中是否有与筛选出的图片相匹配的非人脸样本图片之后还包括：

所述若没有与所述图片相匹配的非人脸样本图片，则显示所述图片，供相关工作人员判断是否出现误检；

接收所述相关工作人员输入的判断结果；

若判断结果为误检，则将所述图片识别为非人脸图片，过滤所述图片；

若判断结果为非误检，则将所述图片识别为人脸图片。

3.如权利2所述的人脸检测方法，其特征在于，所述若判断结果为误检，则将所述图片识别为非人脸图片，过滤所述图片之后还包括：

将所述图片添加至所述特定过滤池。

4.如权利要求1所述的人脸检测方法，其特征在于，所述采用预设的人脸检测算法对所述图片进行筛选包括：

采用人脸检测器对所述摄像装置采集到的图片进行过滤，所述人脸检测器为单个分类器或者由多种分类器构建成的套嵌级联分类器；和/或，

建立人脸识别模型数据库，所述人脸识别模型数据库包括基于人脸数据训练得到人脸模型和基于特定类型的非人脸数据训练得到的非人脸模型；

根据所述人脸模型和所述非人脸模型对所述人脸检测器筛选出的人脸图片进行过滤。

5.一种人脸检测装置，其特征在于，包括：

获取单元，用于获取摄像装置采集的图片；

筛选单元，用于采用预设的人脸检测算法对所述图片进行筛选；

特征比对单元，用于判断预先建立的特定过滤池中是否有与筛选出的图片相匹配的非人脸样本图片；所述特定过滤池中存储有事先预测的实际应用场景中将被重复采集到的非人脸样本图片；

特定目标过滤单元，用于若有与所述图片相匹配的非人脸样本图片，则将所述图片识别为非人脸图片，过滤所述图片。

6.如权利要求5所述的人脸检测装置，其特征在于，还包括：

显示单元，用于若没有与所述图片相匹配的非人脸样本图片，则显示所述图片，供相关工作人员判断是否出现误检；

接收单元，用于接收所述相关工作人员输入的判断结果；

误检校正单元，用于若判断结果为误检，则将所述图片识别为非人脸图片，过滤所述图片；若判断结果为非误检，则将所述图片识别为人脸图片。

7.如权利6所述的人脸检测装置，其特征在于，还包括：

过滤样本添加单元，用于将所述图片添加至所述特定过滤池。

8.如权利要求7所述的人脸检测装置，其特征在于，所述筛选单元具体用于：

采用人脸检测器对所述摄像装置采集到的图片进行过滤，所述人脸检测器为单个分类器或者由多种分类器构建成的套嵌级联分类器；和/或，

建立人脸识别模型数据库，所述人脸识别模型数据库包括基于人脸数据训练得到人脸模型和基于特定类型的非人脸数据训练得到的非人脸模型；

根据所述人脸模型和所述非人脸模型对所述人脸检测器筛选出的人脸图片进行过滤。

9.一种人脸检测装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至4任一项所述方法的步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述方法的步骤。