CN111160197A - 人脸检测方法、装置、电子设备、存储介质 - Google Patents

Abstract

本发明提供一种人脸检测方法、装置、电子设备、存储介质，人脸检测方法包括：将采集的图片输入经训练的第一轻量网络模型；根据经训练的第一轻量网络模型的输出确定采集的图片中的人脸检测框及人脸关键点；根据所述人脸检测框从采集的图片中截取人脸图片；根据所述人脸关键点校正所述人脸图片；将所述人脸图片输入经训练的第二轻量网络模型；以及根据所述第二轻量网络模型的输出确定至少一人脸属性。本发明实现轻量的人脸检测及人脸属性识别。

Description

人脸检测方法、装置、电子设备、存储介质

技术领域

本发明涉及图像处理领域，尤其涉及一种人脸检测方法、装置、电子设备、存储介质。

背景技术

随着信息科技的发展，越来越多的与智能化需求被人们提出。而最为常见与热门的需求，是人脸分析技术，如人脸检测，人脸识别等。该技术在智能考勤，智能监控，智慧支付，智能机器人，虚拟形象生成等场景，都有被应用的需求，应用前景广泛。

目前业界对于人脸分析技术的流行解决方案有两种：

1)基于云端服务器的人脸分析技术：通过前端图像采集设备，将采集到的人脸图片上传至云端服务器，由云端的服务器返回分析结果，再由前端展示。

2)基于前端(嵌入式)设备的人脸分析技术：通过前端(嵌入式)设备采集图像，不将图像传至云端服务器，直接在当前设备上运算，显示运算结果。

然而，现有的人脸分析技术存在以下不足与问题：1)基于云端服务器的人脸分析技术方案，需要当前设备具有较强的网络通信能力。如果设备没有网络，那么功能无法使用。如果网络信号不佳，则返回时间过长，用户体验差。同时该方案需要搭建云端服务器来处理高并发请求，成本很高。2)基于前端(嵌入式)设备的人脸分析技术，准确率高的深度学习模型，模型计算量往往巨大。然而前端设备(嵌入式设备)计算能力非常差，无法运行大规模神经网络或者计算时间过长，用户体验极差。

3)大部分产品仅对人脸检测、人脸识别进行嵌入式设备运行的优化，而没有对人脸多维度属性识别的实施。

发明内容

本发明为了克服上述相关技术存在的缺陷，提供一种人脸检测方法、装置、电子设备、存储介质，进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的一个或者多个问题。

根据本发明的一个方面，提供一种人脸检测方法，所述人脸检测包括：

将采集的图片输入经训练的第一轻量网络模型；

根据经训练的第一轻量网络模型的输出确定采集的图片中的人脸检测框及人脸关键点；

根据所述人脸检测框从采集的图片中截取人脸图片；

根据所述人脸关键点校正所述人脸图片；

将所述人脸图片输入经训练的第二轻量网络模型；以及

根据所述第二轻量网络模型的输出确定至少一人脸属性。

在本发明的一些实施例中，所述第一轻量网络模型包括多个依次串接的第一轻量网络模块，每一第一轻量网络模块自输入至输出依次包括：

第一1x1标准卷积模块，用于增加输入该第一轻量网络模块的特征图像的通道数；

第一深度可分离卷积模块，用于将经第一1x1标准卷积模块增加的特征图像的通道分离以分别进行卷积；以及

第二1x1标准卷积模块，用于减少所述第一深度可分离卷积模块输出的特征图像的通道数。

在本发明的一些实施例中，每一第一轻量网络模块还包括：

第一注意力模块，用于计算所述第二1x1标准卷积模块输出的特征图像的通道注意力向量，将通道注意力向量与所述第二1x1标准卷积模块输出的特征图像进行矩阵乘法获得该第一轻量网络模块的输出的特征图像

在本发明的一些实施例中，所述第一轻量网络模型的第一总损失函数由第一子损失函数及第二子损失函数加权获得，所述第一子损失函数用于监督所述人脸检测框的识别，所述第二子损失任务用于监督人脸关键点的识别。

在本发明的一些实施例中，所述第一子损失函数为基于人脸坐标的距离损失函数。

在本发明的一些实施例中，所述第二子损失函数为基于热力图的概率损失函数。

在本发明的一些实施例中，所述第二轻量网络模型包括多个依次串接的第二轻量网络模块，每一第二轻量网络模块自输入至输出依次包括：

第三1x1标准卷积模块，用于增加输入该第二轻量网络模块的特征图像的通道数；

第二深度可分离卷积模块，用于将经第三1x1标准卷积模块增加的特征图像的通道分离以分别进行卷积；以及

第四1x1标准卷积模块，用于减少所述第二深度可分离卷积模块输出的特征图像的通道数。

在本发明的一些实施例中，每一第二轻量网络模块还包括：

第二注意力模块，用于计算所述第四1x1标准卷积模块输出的特征图像的通道注意力向量，将通道注意力向量与所述第四1x1标准卷积模块输出的特征图像进行矩阵乘法获得该第二轻量网络模块的输出的特征图像。

在本发明的一些实施例中，所述人脸属性至少包括性别、年龄、胡子信息及眼镜信息中的一项或多项。

在本发明的一些实施例中，用于所述性别的识别监督的损失函数、用于所述胡子信息的识别监督的损失函数以及用于所述眼镜信息的识别监督的损失函数为基于二分类任务的概率损失函数。

在本发明的一些实施例中，用于所述年龄的识别监督的损失函数为基于年龄差的距离损失函数。

在本发明的一些实施例中，所述人脸检测框、人脸关键点及人脸属性叠加于采集的图片上以进行显示。

根据本发明的又一方面，还提供一种人脸检测装置，包括：

第一输入模块，用于将采集的图片输入经训练的第一轻量网络模型；

第一输出模块，用于根据经训练的第一轻量网络模型的输出确定采集的图片中的人脸检测框及人脸关键点；

截取模块，用于根据所述人脸检测框从采集的图片中截取人脸图片；

校正模块，用于根据所述人脸关键点校正所述人脸图片；

第二输入模块，用于将所述人脸图片输入经训练的第二轻量网络模型；以及

第二输出模块，用于根据所述第二轻量网络模型的输出确定至少一人脸属性。

根据本发明的又一方面，还提供一种电子设备，所述电子设备包括：处理器；存储介质，其上存储有计算机程序，所述计算机程序被所述处理器运行时执行如上所述的步骤。

根据本发明的又一方面，还提供一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如上所述的步骤。

相比现有技术，本发明的优势在于：

1)对采集的图片的质量需求较低，可以仅采用普通摄像头和嵌入式设备环境即可实施，成本低廉；

2)利用轻量网络模型进行人脸识别及人脸属性的识别，降低神经网络运算量，使得可以在低性能设备上部署人脸分析模型，如车载芯片环境，嵌入式设备环境等；

3)同时，本方案同样可在高性能设备，如云端服务器上部署，从而大大提高响应速度与并发量。

附图说明

通过参照附图详细描述其示例实施方式，本发明的上述和其它特征及优点将变得更加明显。

图1示出了根据本发明实施例的人脸检测方法的流程图。

图2示出了本发明具体实施例的识别人脸检测框及人脸关键点的示意图。

图3示出了本发明具体实施例的识别人脸属性的示意图。

图4示出了本发明具体实施例的第一轻量网络模块的示意图。

图5示出了本发明具体实施例的第二轻量网络模块的示意图。

图6示出了本发明实施例的人脸检测装置的示意图。

图7示出本发明示例性实施例中一种计算机可读存储介质示意图。

图8示出本发明示例性实施例中一种电子设备示意图。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本发明将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。

此外，附图仅为本发明的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

附图中所示的流程图仅是示例性说明，不是必须包括所有的步骤。例如，有的步骤还可以分解，而有的步骤可以合并或部分合并，因此，实际执行的顺序有可能根据实际情况改变。

图1示出了根据本发明实施例的人脸检测方法的流程图。所述人脸检测方法包括如下步骤：

步骤S110：将采集的图片输入经训练的第一轻量网络模型；

步骤S120：根据经训练的第一轻量网络模型的输出确定采集的图片中的人脸检测框及人脸关键点；

步骤S130：根据所述人脸检测框从采集的图片中截取人脸图片；

步骤S140：根据所述人脸关键点校正所述人脸图片；

步骤S150：将所述人脸图片输入经训练的第二轻量网络模型；以及

步骤S160：根据所述第二轻量网络模型的输出确定至少一人脸属性。

在本发明的示例性实施方式的人脸检测方法中，1)对采集的图片的质量需求较低，可以仅采用普通摄像头和嵌入式设备环境即可实施，成本低廉；2)利用轻量网络模型进行人脸识别及人脸属性的识别，降低神经网络运算量，使得可以在低性能设备上部署人脸分析模型，如车载芯片环境，嵌入式设备环境等；3)同时，本方案同样可在高性能设备，如云端服务器上部署，从而大大提高响应速度与并发量。

下面参见图2，图2示出了本发明具体实施例的识别人脸检测框及人脸关键点的示意图。在本实施例中第一轻量网络模型包括多个依次串接的第一轻量网络模块220(第一轻量网络模块1至第一轻量网络模块N，N为大于等于2的整数)。

首先，输入采集的图像210。换言之，也就是将采集的图像输入第一轻量网络模块1。然后，通过依次串接的第一轻量网络模块220，直到第一轻量网络模块N，由第一轻量网络模块N输出人脸检测框231及人脸关键点232的识别结果。具体而言，人脸检测框231是在采集的图像检测到人脸的区域(该区域可以预设为矩形)。人脸关键点232可以是预设的关键位置(例如内眼角、外眼角、嘴角等等)。

在本实施例中，对于人脸检测框任务，可以使用基于人脸坐标的距离损失函数(第一子损失函数)进行对该任务的监督。第一子损失函数包括但不限于L1距离损失函数，L2距离损失函数，smooth L1距离损失函数等。对于人脸关键点任务，可以使用基于热力图的概率损失函数(第二子损失函数)进行对该任务的监督。第二子损失函数包括但不限于交叉熵损失函数，KL散度损失函数，Focal损失函数等。第一轻量网络模型的总损失函数由可以由第一子损失函数及第二子损失函数加权组成，包括但不限于线性加权，非线性加权。其中，计算人脸关键点的误差，使用基于热力图的概率损失函数的原因在于：热力图可以较好的保存人脸关键点的空间信息，而热力图的误差计算，一般可以考虑使用基于概率的损失函数。

进一步地，每一第一轻量网络模块可以参见图4。每一第一轻量网络模块220自输入至输出依次包括第一1x1标准卷积模块411、第一深度可分离卷积模块412以及第二1x1标准卷积模块413。在本实施例中，每一第一轻量网络模块220还包括第一注意力模块414。

第一1x1标准卷积模块411用于增加输入该第一轻量网络模块的特征图像的通道数。第一深度可分离卷积模块412用于将经第一1x1标准卷积模块增加的特征图像的通道分离以分别进行卷积。第二1x1标准卷积模块413用于减少所述第一深度可分离卷积模块输出的特征图像的通道数。第一注意力模块414用于计算所述第二1x1标准卷积模块413输出的特征图像的通道注意力向量，将通道注意力向量与所述第二1x1标准卷积模块413输出的特征图像进行矩阵乘法获得该第一轻量网络模块的输出的特征图像(作为下一串接的第一轻量网络模块的输入)。

具体而言，深度可分离卷积是普通卷积操作的一个改进，目的是降低卷积核的参数量。对于1x1标准卷积操作而言，若输入特征图尺寸为H*W*C1，则卷积核尺寸为h1*w1*C1，若输出特征图尺寸为H*W*C2，则1x1标准卷积层的参数量为h1*w1*C1*C2。对于深度可分离卷积操作而言，若输入特征图尺寸为H*W*C1，则卷积核尺寸为h1*w1*1，若输出特征图尺寸为H*W*C2，则深度可分离卷积的参数量为：h1*w1*1*C2。与1x1标准卷积相比，参数量减少至1/C1。其中，H、h表示是高，W、w表示宽，C1是输入的特征图的通道数量，C2是经过1x1卷积计算后的输出的特征图的通道数量。

第一1x1标准卷积模411块以及第二1x1标准卷积模块413用于对特征图像进行升维与降维(Expand and compress)。第一1x1标准卷积模块411在深度可分离卷积操作之前，可以先通过1*1卷积核的标准卷积，来提升输入特征图的通道数H*W*C1→H*W*(C1*2)。在经过深度可分离卷积运算后，再通过第二标准卷积模块413的1*1卷积核的标准卷积，来降低输出特征图的通道数H*W*(C1*2)→H*W*C1。这样可以在保证特征图的特征丰富的同时，降低参数量和运算量。

第一注意力模块414对于输入的特征图，若尺寸为H*W*C1，计算其每个通道的最大值，得到1*1*C1的特征向量，可以经过两层全连接网络，和sigmoid层，得到1*1*C1的值域为0到1的注意力向量。注意力向量代表着原特征图中各个通道的重要程度。将注意力向量与输入的特征图加权到原特征图每个通道的特征，得到重标定的特征图。这样可以在保证特征图的特征丰富的同时，引入了极少的参数量和运算量。

下面参见图3，图3示出了本发明具体实施例的识别人脸属性的示意图。在本实施例中第二轻量网络模型包括多个依次串接的第二轻量网络模块320(第二轻量网络模块1至第二轻量网络模块N，N为大于等于2的整数)。其中，图3中的N和图2中的N可以取不同的值。在本实施例中，人脸属性至少包括性别、年龄、胡子信息(是否有胡子和/或胡子的位置)及眼镜信息(是否戴眼镜和/或眼镜的位置)中的一项或多项。

首先，输入通过人脸检测框截取并经由人脸关键点校正(例如可以至水平校正，将通过人脸检测框截取的人脸图像大致处于正向的位置)的人脸图像310。换言之，也就是将人脸图像310输入第二轻量网络模块1。然后，通过依次串接的第二轻量网络模块320，直到第二轻量网络模块N，由第二轻量网络模块N输出性别331、年龄332、胡子信息333以及眼镜信息334的识别结果。

在本实施例中，对于性别识别，胡子信息识别，眼镜信息识别任务，可以使用基于二分类任务的概率损失函数(第三子损失函数、第四子损失函数及第五子损失函数)进行对三个任务的分别监督，该第三子损失函数、第四子损失函数及第五子损失函数包括但不限于交叉熵，KL散度，对数损失函数，支持向量损失函数等。对于年龄识别任务，可以使用基于年龄差的距离损失函数(第六子损失函数)进行对该任务的监督，该第六子损失函数包括但不限于L1距离，L2距离，smooth L1距离等。其中，对于分类问题损失函数一般使用基于概率的损失函数；对于回归问题(如年龄识别)，一般使用基于距离的损失函数。

第二轻量网络模型的总损失函数由第三子损失函数、第四子损失函数、第五子损失函数及第六子损失函数加权组成，包括但不限于线性加权，非线性加权。

在本发明的一些实施例中，每一第二轻量网络模块320自输入至输出依次包括第三1x1标准卷积模块421、第二深度可分离卷积模块422以及第四1x1标准卷积模块433。在本实施例中，每一第二轻量网络模块320还包括第二注意力模块424。

第三1x1标准卷积模块421用于增加输入该第二轻量网络模块的特征图像的通道数。第二深度可分离卷积模块422用于将经第三1x1标准卷积模块增加的特征图像的通道分离以分别进行卷积。第四1x1标准卷积模块423用于减少所述第二深度可分离卷积模块输出的特征图像的通道数。第二注意力模块424用于计算所述第四1x1标准卷积模块423输出的特征图像的通道注意力向量，将通道注意力向量与所述第四1x1标准卷积模块423输出的特征图像进行矩阵乘法获得该第二轻量网络模块的输出的特征图像(作为下一串接的第二轻量网络模块的输入)。

第三1x1标准卷积模块421、第二深度可分离卷积模块422、第四1x1标准卷积模块433以及第二注意力模块424分别与第一1x1标准卷积模块411、第一深度可分离卷积模块412、第二1x1标准卷积模块413以及第一注意力模块414具有类似的功能，在此不予赘述。

在本发明的一些实施例中，所述人脸检测框、人脸关键点及人脸属性叠加于采集的图片上以进行显示。由此，用户可以直观快速地获得人脸检测的结果。

由此，本发明提出的基于深度学习紧凑模型的人脸多属性分析技术，填补了业界在多维度人脸属性分析，在低性能设备、嵌入式设备、高并发场景部署的空白。本发明提出的轻量化神经网络子模块，与1x1标准卷积，或标准轻量化卷积相比，参数量减少10倍以上，运算速度快20倍以上，而准确率几乎不损失。本发明提出的基于深度学习神经网络的人脸多属性分析模型方案，仅需进行2个轻量化紧凑模型的推理，即可得到6个计算结果，流程复杂度大大降低，节省了4个额外的推理过程，大大减少在低性能设备上宝贵的运算成本。进一步地，上述各输出和输入可作为样本进一步优化2个轻量化紧凑模型。

以上仅仅是示意性地描述本发明的多个实现方式，上述各实现方式可以单独或组合实现，本发明并非以此为限制。

图5示出了根据本发明实施例的人脸检测装置的模块图。人脸检测装置800包括第一输入模块810、第一输出模块820、截取模块830、校正模块840、第二输入模块850以及第二输出模块860。

第一输入模块810用于将采集的图片输入经训练的第一轻量网络模型；

第一输出模块820用于根据经训练的第一轻量网络模型的输出确定采集的图片中的人脸检测框及人脸关键点；

截取模块830用于根据所述人脸检测框从采集的图片中截取人脸图片；

校正模块840用于根据所述人脸关键点校正所述人脸图片；

第二输入模块850用于将所述人脸图片输入经训练的第二轻量网络模型；以及

第二输出模块860用于根据所述第二轻量网络模型的输出确定至少一人脸属性。

在本发明的示例性实施方式的人脸检测装置中，1)对采集的图片的质量需求较低，可以仅采用普通摄像头和嵌入式设备环境即可实施，成本低廉；2)利用轻量网络模型进行人脸识别及人脸属性的识别，降低神经网络运算量，使得可以在低性能设备上部署人脸分析模型，如车载芯片环境，嵌入式设备环境等；3)同时，本方案同样可在高性能设备，如云端服务器上部署，从而大大提高响应速度与并发量。

图6仅仅是示意性的示出本发明提供的人脸检测装置800，在不违背本发明构思的前提下，模块的拆分、合并、增加都在本发明的保护范围之内。本发明提供的人脸检测装置800可以由软件、硬件、固件、插件及他们之间的任意组合来实现，本发明并非以此为限。

在本发明的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被例如处理器执行时可以实现上述任意一个实施例中所述人脸检测方法的步骤。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述人脸检测方法部分中描述的根据本发明各种示例性实施方式的步骤。

参考图7示，描述了根据本发明的实施方式的用于实现上述方法的程序产品700，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在租户计算设备上执行、部分地在租户设备上执行、作为一个独立的软件包执行、部分在租户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到租户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

在本发明的示例性实施例中，还提供一种电子设备，该电子设备可以包括处理器，以及用于存储所述处理器的可执行指令的存储器。其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一个实施例中所述人脸检测方法的步骤。

所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。

下面参照图8描述根据本发明的这种实施方式的电子设备500。图8示的电子设备500仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图8示，电子设备500以通用计算设备的形式表现。电子设备500的组件可以包括但不限于：至少一个处理单元510、至少一个存储单元520、连接不同系统组件(包括存储单元520和处理单元510)的总线530、显示单元540等。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元510执行，使得所述处理单元510执行本说明书上述人脸检测方法部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元510可以执行如图1所示的步骤。

所述存储单元520可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)5201和/或高速缓存存储单元5202，还可以进一步包括只读存储单元(ROM)5203。

所述存储单元520还可以包括具有一组(至少一个)程序模块5205的程序/实用工具5204，这样的程序模块5205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线530可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备500也可以与一个或多个外部设备600(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得租户能与该电子设备500交互的设备通信，和/或与使得该电子设备500能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口550进行。并且，电子设备500还可以通过网络适配器560与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。网络适配器560可以通过总线530与电子设备500的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备500使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本发明实施方式的上述人脸检测方法。

相比现有技术，本发明的优势在于：

1)对采集的图片的质量需求较低，可以仅采用普通摄像头和嵌入式设备环境即可实施，成本低廉；

2)利用轻量网络模型进行人脸识别及人脸属性的识别，降低神经网络运算量，使得可以在低性能设备上部署人脸分析模型，如车载芯片环境，嵌入式设备环境等；

3)同时，本方案同样可在高性能设备，如云端服务器上部署，从而大大提高响应速度与并发量。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、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发明的一般性原理并包括本发明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，本发明的真正范围和精神由所附的权利要求指出。

Claims (16)

1.一种人脸检测方法，其特征在于，包括：

将采集的图片输入经训练的第一轻量网络模型；

根据经训练的第一轻量网络模型的输出确定采集的图片中的人脸检测框及人脸关键点；

根据所述人脸检测框从采集的图片中截取人脸图片；

根据所述人脸关键点校正所述人脸图片；

将所述人脸图片输入经训练的第二轻量网络模型；以及

根据所述第二轻量网络模型的输出确定至少一人脸属性。

2.如权利要求1所述的人脸检测方法，其特征在于，所述第一轻量网络模型包括多个依次串接的第一轻量网络模块，每一第一轻量网络模块自输入至输出依次包括：

第一1x1标准卷积模块，用于增加输入该第一轻量网络模块的特征图像的通道数；

第一深度可分离卷积模块，用于将经第一1x1标准卷积模块增加的特征图像的通道分离以分别进行卷积；以及

第二1x1标准卷积模块，用于减少所述第一深度可分离卷积模块输出的特征图像的通道数。

3.如权利要求2所述的人脸检测方法，其特征在于，每一第一轻量网络模块还包括：

第一注意力模块，用于计算所述第二1x1标准卷积模块输出的特征图像的通道注意力向量。

4.如权利要求3所述的人脸检测方法，其特征在于，每一第一轻量网络模块将所述通道注意力向量与所述第二1x1标准卷积模块输出的特征图像进行矩阵乘法获得该第一轻量网络模块的输出的特征图像。

5.如权利要求2所述的人脸检测方法，其特征在于，所述第一轻量网络模型的第一总损失函数由第一子损失函数及第二子损失函数加权获得，所述第一子损失函数用于监督所述人脸检测框的识别，所述第二子损失任务用于监督人脸关键点的识别。

6.如权利要求5所述的人脸检测方法，其特征在于，所述第一子损失函数为基于人脸坐标的距离损失函数。

7.如权利要求5所述的人脸检测方法，其特征在于，所述第二子损失函数为基于热力图的概率损失函数。

8.如权利要求1所述的人脸检测方法，其特征在于，所述第二轻量网络模型包括多个依次串接的第二轻量网络模块，每一第二轻量网络模块自输入至输出依次包括：

第三1x1标准卷积模块，用于增加输入该第二轻量网络模块的特征图像的通道数；

第二深度可分离卷积模块，用于将经第三1x1标准卷积模块增加的特征图像的通道分离以分别进行卷积；以及

第四1x1标准卷积模块，用于减少所述第二深度可分离卷积模块输出的特征图像的通道数。

9.如权利要求8所述的人脸检测方法，其特征在于，每一第二轻量网络模块还包括：

第二注意力模块，用于计算所述第四1x1标准卷积模块输出的特征图像的通道注意力向量，将通道注意力向量与所述第四1x1标准卷积模块输出的特征图像进行矩阵乘法获得该第二轻量网络模块的输出的特征图像。

10.如权利要求8所述的人脸检测方法，其特征在于，所述人脸属性至少包括性别、年龄、胡子信息及眼镜信息中的一项或多项。

11.如权利要求10所述的人脸检测方法，其特征在于，用于所述性别的识别监督的损失函数、用于所述胡子信息的识别监督的损失函数以及用于所述眼镜信息的识别监督的损失函数为基于二分类任务的概率损失函数。

12.如权利要求10所述的人脸检测方法，其特征在于，用于所述年龄的识别监督的损失函数为基于年龄差的距离损失函数。

13.如权利要求1至12任一项所述的人脸检测方法，其特征在于，所述人脸检测框、人脸关键点及人脸属性叠加于采集的图片上以进行显示。

14.一种人脸检测装置，其特征在于，包括：

第一输入模块，用于将采集的图片输入经训练的第一轻量网络模型；

第一输出模块，用于根据经训练的第一轻量网络模型的输出确定采集的图片中的人脸检测框及人脸关键点；

截取模块，用于根据所述人脸检测框从采集的图片中截取人脸图片；

校正模块，用于根据所述人脸关键点校正所述人脸图片；

第二输入模块，用于将所述人脸图片输入经训练的第二轻量网络模型；以及

第二输出模块，用于根据所述第二轻量网络模型的输出确定至少一人脸属性。

15.一种电子设备，其特征在于，所述电子设备包括：

处理器；

存储器，其上存储有计算机程序，所述计算机程序被所述处理器运行时执行如权利要求1至13任一项所述的人脸检测方法。

16.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求1至13任一项所述的人脸检测方法。

Images