CN112101281B - 人脸图像的检测方法、装置 - Google Patents
人脸图像的检测方法、装置 Download PDFInfo
- Publication number
- CN112101281B CN112101281B CN202011021834.2A CN202011021834A CN112101281B CN 112101281 B CN112101281 B CN 112101281B CN 202011021834 A CN202011021834 A CN 202011021834A CN 112101281 B CN112101281 B CN 112101281B
- Authority
- CN
- China
- Prior art keywords
- layer
- image
- neural network
- information
- face image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请公开了人脸图像的检测方法、装置、电子设备及计算机可读存储介质,涉及人工智能领域、计算机视觉技术领域、深度学习技术领域,可用于人脸识别方面。具体实现方案为:获取预处理后的待检测人脸图像,将该待检测人脸图像输入合成图像检测神经网络,得到该合成图像检测神经网络输出的合成图像检测信息;其中,该合成图像检测神经网络中包括添加层;基于该合成图像检测信息,生成该待检测人脸图像的检测结果,使用包括有添加层的合成图像检测神经网络进行检测,不仅可以提高检测过程的效率,还可以提升人脸图像检测结果的准确度。
Description
技术领域
本申请涉及人工智能领域,具体涉及计算机视觉技术领域、深度学习技术领域,尤其涉及人可用于人脸识别方面的人脸图像的检测方法、装置、电子设备及计算机可读存储介质。
背景技术
随着社会的发展,人脸识别技术运用在越来越多的领域之中,例如通过人脸识别技术来实现身份验证以进行消费支付、授权进入许可等。
现有技术中在人脸识别技术领域,使用深度学习技术的人脸合成图检测算法是当前该领域的主流方法,但在面对由多张图像拼接而成的合成图像时,往往无法达到预期的识别效果,无法区分出合成图像,进而导致无法很好的完成检测工作的问题,影响实际应用性能。
发明内容
本申请提供了一种人脸图像的检测方法、装置、电子设备以及存储介质。
第一方面,本申请的实施例提供了一种人脸图像的检测方法,获取预处理后的待检测人脸图像;将该待检测人脸图像输入合成图像检测神经网络,得到该合成图像检测神经网络输出的合成图像检测信息;其中,该合成图像检测神经网络中包括添加层;基于该合成图像检测信息,生成该待检测人脸图像的检测结果。
第二方面,本申请的实施例提供了一种人脸图像的检测装置,包括:待检测图像获取单元,被配置成获取预处理后的待检测人脸图像;合成图像检测单元,被配置成将该待检测人脸图像输入合成图像检测神经网络,得到该合成图像检测神经网络输出的合成图像检测信息;其中,该合成图像检测神经网络中包括添加层;检测结果生成单元,被配置成于该合成图像检测信息,生成该待检测人脸图像的检测结果。
第三方面,本申请的实施例提供了一种电子设备,包括:至少一个处理器;以及与上述至少一个处理器通信连接的存储器;其中,该存储器存储有可被上述至少一个处理器执行的指令,该指令被上述至少一个处理器执行,以使上述至少一个处理器能够执行任一实现方式描述的人脸图像的检测方法。
第四方面,本申请的实施例提供了一种存储有计算机指令的非瞬时计算机可读存储介质,包括:该计算机指令用于使该计算机执行任一实现方式描述的人脸图像的检测方法。
本申请在获取预处理后的待检测人脸图像后,将待检测人脸图像输入合成图像检测神经网络,得到该合成图像检测神经网络输出的合成图像检测信息;其中,该合成图像检测神经网络中包括添加层;基于该合成图像检测信息,生成该待检测人脸图像的检测结果,使用包括有添加层的合成图像检测神经网络进行检测,不仅可以提高检测过程的效率,还可以提升人脸图像检测结果的准确度。
应当理解,本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征,也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1是本申请的实施例可以应用于其中的示例性系统架构;
图2是根据本申请的人脸图像的检测方法的一个实施例的流程图;
图3是根据本申请的人脸图像的检测方法的中得到预处理后的待检测人脸图像的一个实施例的流程图;
图4是根据本申请的人脸图像的检测方法中确定合成图像检测神经网络的一个实施例的流程图;
图5是根据本申请的人脸图像的检测方法中确定合成图像检测神经网络的另一个实施例的流程图;
图6是根据本申请的人脸图像的检测装置的一个实施例的结构示意图;
图7是适于用来实现本申请实施例的人脸图像的检测方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的人脸图像的检测方法、装置、电子设备及计算机可读存储介质的实施例的示例性系统架构100。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以发送待检测人脸图像等目的。终端设备101、102、103上可以安装有支持图像识别、图像验证的应用,例如人脸解锁类应用、图像编辑类应用、图像识别类应用等。
终端设备101、102、103可以是硬件,也可以是软件。硬件时,可以是具有显示屏的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如发送待检测人脸图像等),也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器,例如为终端设备101、102、103提供人脸图像的检测的服务器。例如获取待检测人脸图像;将该待检测人脸图像输入合成图像检测神经网络,得到该合成图像检测神经网络输出的合成图像检测信息;其中,该合成图像检测神经网络中包括添加层;基于该合成图像检测信息,生成该待检测人脸图像的检测结果。
需要说明的是,本申请的实施例所提供的人脸图像的检测方法一般由服务器105执行,相应地,人脸图像的检测装置一般设置于服务器105中。
需要说明的是,服务器可以是硬件,也可以是软件。当服务器为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器为软件时,可以实现成例如用来提供分布式服务的多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
此外,人脸图像的检测方法也可以由终端设备101、102、103执行,相应地,人脸图像的检测装置也可以设置于终端设备101、102、103中。此时,示例性系统架构100也可以不包括服务器105和网络104。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,其示出了根据本申请的人脸图像的检测方法的一个实施例流程200。该人脸图像的检测方法,包括以下步骤:
步骤201,获取预处理后的待检测人脸图像。
在本实施例中,人脸图像的检测方法的执行主体(例如图1所示的服务器105)可以从本地或非本地人机交互设备(例如图1所示的终端设备101、102、103)获取待检测人脸图像,本申请对此不做限定。
应当理解的是,获取图像后,可以由上述执行主体进行预处理以得到预处理后的待检测人脸图像,也可以直接从本地或者非本地的存储设备中,获取经由其他执行主体完成预处理工作后得到的预处理后的待检测人脸图像。
在本实施例的一些可选实现方式中,预处理后的待检测人脸图像经由以下步骤确定:获取原始图像,采用人脸检测模型确定该原始图像中的人脸图像区域;基于该人脸图像区域,确定预处理区域;对该预处理区域进行归一化处理,得到归一化处理后的预处理区域;基于该归一化处理后的预处理区域中的图像,得到该待检测图像。
具体的,参考图3,其中示出了一种人脸图像的检测方法中预处理后的待检测人脸图像的确定步骤的一种实现方式的流程300,具体包括:
步骤301,获取原始图像,采用人脸检测模型确定该原始图像中的人脸图像区域。
具体的,在获取到原始图像后,采用人脸检测模型确定该原始图像中包含人脸的区域,人脸检测模型可以采用残差网络检测模型,语义分割检测模型和vgg检测模型等人脸检测模型。
步骤302,基于该人脸图像区域,确定预处理区域。
具体的,在确定人脸图像区域时,因本申请中的人脸图像的检测方法目的在于区分图像中的人脸图像是否为合成人脸图像,基于合成人脸图像中存在的人脸面部边缘有较明显的贴合痕迹,如锯齿或颜色突变的具体情况,因此基于检测模型确定的人脸图像区域进行扩充获取,了解图像中人脸图像区域附近的图像信息,进而实现后续的人脸检测。
示例性的,进而可以将用于获取人脸图像的人脸检测模型的检测框进行放大预设倍数后得到新的选取区域,基于该新的选取区域来确定预处理图像区域,以实现对人脸图像附近的内容进行均匀、等比例的扩充,在完成扩充后,还可以将预处理区域调整至原始图像的相同尺寸,以便于后续图像识别工作,其中,优选的设置预设倍数为1.5倍,以防止放大过多导致过多采集无用信息,影响后续的检测效果。
步骤303,对该预处理区域进行归一化处理,得到归一化处理后的预处理区域。
具体的,图像归一化处理,是图像中的每一个像素依次进行归一化处理,以使得图像中的每个像素都可以被顺利识别,避免因像素的像素值差距多大导致的像素漏识别,影响最终的检测效果。
示例性的,归一化处理的方法为,将每个像素的像素值减128再除以256,使每个像素的像素值在[-0.5,0.5]之间,以避免因图像之间的像素值差值差异过大,影响后续检测的效果。
步骤304,基于该归一化处理后的预处理区域中的图像,得到该待检测图像。
步骤305,对该归一化处理后的预处理区域进行随机数据增强处理,得到该待检测图像。
具体的,获取该归一化的预处理区域后,基于该区域中的内容进行随机数据增强处理,以实现根据单一图像获取多个训练素材,提高模型训练的质量,以及后续使用合成图像检测神经网络进行人脸图像检测时,提高检测结果的准确性。
通过本实现方式中的过程对原始图像处理后,可以将原始图像中的人脸图像区域进行提取并调整,得到待检测图像,以适应本申请中人脸图像的检测方法所需要的图像尺寸和内容范围,以提升人脸图像的检测质量。
步骤202,将该待检测人脸图像输入合成图像检测神经网络,得到该合成图像检测神经网络输出的合成图像检测信息。
在本实施例中,将上述步骤201中获得的预处理后的待检测人脸图像输入至合成图像检测神经网络中,该合成图像检测神经网络中包含有添加层,后续可以基于其中包括的添加层,进一步对待检测人脸图像进行分析,得到该待检测人脸图像的特征信息,其中,特征信息的具体表现形式与添加层的内容有关。
例如基于不同的添加层的得到的待检测人脸图像的特征矩阵信息、特征向量信息以及特征值信息等,以便于后续判断待检测人脸图像是否为合成人脸图像。
其中,添加层信息可以包括为实现各种功能的添加卷积层、添加最大池化层、添加全连接层、添加中心熵监督层等,以实现根据添加层中的内容来对合成图像检测神经网络中的内容进行扩展,以单独实现添加层中对应的功能,或联合使用添加层和原有图像分割神经网络中的功能,以实现对原有的图像分割神经网络中的功能进行优化和提升。
其中,图像分割神经网络通常为可实现图像分割的卷积神经网络,例如UNet神经网络、全卷积网络FCN、SegNet神经网络等,并且采用的图像分割神经网络中应该包括编码层和解码层,以实现后续为获取到的图像分割神经网络中加入添加层,生成合成图像检测神经网络。
优选地,采用UNet神经网络作为图像分割神经网络,UNet神经网络中使用编码器-解码器(encoder-decoder)结构,采用UNet神经网络对图像进行分割时,会先对待处理图像进行下采样,然后基于待处理图像下采样得到的结果提取人脸图像特征,再进行上采样还原原图的尺寸,完成图像分割工作,UNet神经网络现对于现有的其他现有神经网络可以实现多尺度的图像处理,以满足多特征图像内容的处理,可以更好的应用于本申请所希望使用的应用场景之中。
步骤203,基于该合成图像检测信息,生成该待检测人脸图像的检测结果。
在本实施例中,具体结合步骤202中得到的图像检测信息的形式来确定待检测人脸图像的检测结果,例如在步骤202得到的图像检测信息为特征向量,后续使用该特征向量来得到待检测人脸图像的检测结果。
本申请实施例提供的人脸图像的检测方法,首先获取预处理后的待检测人脸图像,将该待检测人脸图像输入合成图像检测神经网络,得到该合成图像检测神经网络输出的合成图像检测信息;其中,该合成图像检测神经网络中包括添加层;基于该合成图像检测信息,生成该待检测人脸图像的检测结果,使用包括有添加层的合成图像检测神经网络进行检测,不仅可以提高检测过程的效率,还可以提升人脸图像检测结果的准确度。
继续参考图4,其示出了根据本申请的人脸图像的检测方法中,生成合成图像检测神经网络的一个实施例流程400。具体包括以下步骤:
步骤401,获取图像分割神经网络。
在本实施例中,上述执行主体(例如图1所示的服务器105)可以从本地或非本地人机交互设备(例如图1所示的终端设备101、102、103)获取图像分割神经网络,本申请对此不做限定。
步骤402,解析图像分割神经网络的结构,得到图像分割神经网络的结构信息。
在本实施例中,依据图像分割神经网络中各部分的功能对图像分割神经网络的结构进行解析,得到图像分割神经网络的结构信息,该结构信息中至少包括有该图像分割神经网络的编码层的位置信息,以指明编码层的位置,便于后续基于编码层的位置来生成合成图像检测神经网络。
步骤403,响应于接收到针对合成图像检测神经网络的生成请求,获取结构信息和该生成请求中的添加层信息。
在本实施例中,在接收到针对合成图像检测神经网络的生成请求时,即接收到基于图像分割神经网络生成合成图像检测神经网络的请求时,获取用于生成合成图像检测神经网络采用的图像分割神经网络的结构信息,以及生成请求中对应的添加层信息。
应当理解的是,基于卷积神经网络的特性,添加层信息中可以包括有期望添加至该图像分割神经网络中的添加卷积层、添加最大池化层和添加最大连接层的数量,以及与现有的图像分割神经网络的连接关系,以使得上述执行主体可以局域该添加层信息,完成将添加层信息添加至图像分割神经网络中,生成合成图像检测神经网络的工作。
步骤404,基于该结构信息和该添加层信息,调整该图像分割神经网络,生成合成图像检测神经网络。
在本实施例中,上述执行主体在获取到图像分割神经网络的结构信息和添加层信息后,基于该添加层信息中的指示和图像分割神经网络的结构信息,将添加层信息中记载的内容添加至图像分割神经网络的对应的结构中,得到合成图像检测神经网络。
本实施例提供的合成图像检测神经网络的生成方式,在获取包括编码层和解码层的图像分割神经网络后,解析得到该图像分割神经网络的结构信息,其中,该结构信息中至少包括编码层的位置信息,响应于接收到针对合成图像检测神经网络的生成请求,获取该结构信息和该生成请求中的至少包括添加卷积层、添加最大池化层、添加最大连接层中一种的数量信息和连接结构信息的添加层信息,生成合成图像检测神经网络,该合成图像检测神经网络不仅在训练时具有较高的收敛速度,提高了神经网络的训练的效率,并且在后续使用该合成图像检测神经网络实现合成图像检过程中,提升了的检测泛化适用性和检测精度。
继续参考图5,其中示出了一种人脸图像的检测方法中生成合成图像检测神经网络的另一个实施例的流程500,具体包括以下步骤:
步骤501,获取图像分割神经网络。
步骤502,解析该图像分割神经网络的结构,得到该图像分割神经网络的结构信息。
在本实施例中,其中结构信息中至少包括编码层的位置信息。
步骤503,响应于接收到针对合成图像检测神经网络的生成请求,获取该结构信息和该生成请求中的添加层信息。
在本实施例中,在该添加层信息中,数量信息为两个该添加卷积层、一个添加最大池化层和一个添加全连接层;以及该连接结构信息中对应的连接结构为,依次连接的该编码层、第一添加卷积层、第二添加卷积层、该添加最大池化层、该添加全连接层,以便于上述执行主体根据该添加层信息来对图像分割神经网络进行改造,不仅可以提升图像分割神经网络的质量,还可以为图像分割神经网络带来其他功能。
步骤504,基于该结构信息,确定该图像分割神经网络的该编码层的位置。
步骤505,获取该第一添加卷积层,连接至该编码层之后。
步骤506,获取该第二卷积层连接至该第一卷积层之后。
步骤507,获取该添加最大池化层,连接至该第二卷积层之后。
步骤508,获取该添加全连接层,连接至该最大池化层之后,生成该合成图像检测神经网络。
在本实施例中,步骤501-502与上述图4所示实施例中的步骤401-402相似,对此不再赘述,在步骤503中获取到添加层信息后,按照添加层信息中的指示,对应的在504-508中执行,最终合成图像检测神经网络,后续使用该合成图像检测神经网络时,其中不仅包括了原图像分割神经网络可识别的功能,还基于添加层获取了更多的功能,实现对原图像分割神经网络无法识别的图像进行识别,即可以基于有限的样本完成对合成图像神经网络的训练,不仅提升了原图像分割神经网络被训练时的收敛速度和检测效果,还可以提升使用图像检测神经网络进行合成图像检测时的泛化性和精度。
为加深理解,本申请还结合一个具体应用场景,给出了一种具体的实现方案。在该具体应用场景下,图像分割神经网络为UNet神经网络,添加层包括依次连接在编码层之后的两个添加卷积层、一个添加最大池化层和一个添加全连接层。
获取原始图像A,然后采用人脸检测模型确定该原始图像中的人脸区域A1,然后基于区域A1确定预处理区域A2,对预处理区域A2进行归一化处理得到A3,然后将A3进行随机数据增强处理,得到最终的待检测图像A4。
获取图像分割神经网络为UNet神经网络,并解析该UNet神经网络的结构信息,得到编码层的位置信息。
接收到针对合成图像检测神经网络的生成请求,在该UNet神经网络的编码层的之后依次连接两个新添加卷积层、一个添加最大池化层以及一个添加最大连接层,得到合成图像检测神经网络B。
将待检测图像A4输入至合成图像检测神经网络B中,合成图像检测神经网络B中先对待检测图像A4进行下采样,提取其中包含的人脸图像特征集合C,再对于待检测图像A4进行上采样,还原至原始图像A的尺寸,进行面部分割训练,然后基于添加层得到待检测图像A4的特征向量,并基于该特征向量判断该原始图像是否为合成的人脸图像。
通过本应用场景可以看出,本申请实施例提供的人脸图像的检测方法,获取预处理后的待检测人脸图像,将该待检测人脸图像输入合成图像检测神经网络,得到该合成图像检测神经网络输出的合成图像检测信息;其中,该合成图像检测神经网络中包括添加层;基于该合成图像检测信息,生成该待检测人脸图像的检测结果,使用包括有添加层的合成图像检测神经网络进行检测,不仅可以提高检测过程的效率,还可以提升人脸图像检测结果的准确度。
如图6所示,本实施例的人脸图像的检测装置600可以包括:待检测图像获取单元601,被配置成获取预处理后的待检测人脸图像;合成图像检测单元602,被配置成将该待检测人脸图像输入合成图像检测神经网络,得到该合成图像检测神经网络输出的合成图像检测信息;其中,该合成图像检测神经网络中包括添加层;检测结果生成单元603,被配置成于该合成图像检测信息,生成该待检测人脸图像的检测结果。
在本实施例的一些可选的实现方式中,上述人脸图像的检测装置还包括:图像分割神经网络获取单元,被配置成获取图像分割神经网络;其中,该图像分割神经网络中包括编码层和解码层;图像分割神经网络解析单元,被配置成解析该图像分割神经网络的结构,得到该图像分割神经网络的结构信息;其中,该结构信息中至少包括编码层的位置信息;添加层信息获取单元,被配置成响应于接收到针对合成图像检测神经网络的生成请求,获取该结构信息和该生成请求中的添加层信息;其中,该添加层信息中至少包括添加卷积层、添加最大池化层、添加最大连接层中一种的数量信息和连接结构信息;神经网络生成单元,被配置成基于该结构信息和该添加层信息,调整该图像分割神经网络,生成合成图像检测神经网络。
在本实施例的一些可选的实现方式中,上述添加层信息获取单元中添加层信息包括:该数量信息为两个该添加卷积层、一个添加最大池化层和一个添加全连接层;以及该连接结构信息中对应的连接结构为,依次连接的该编码层、第一添加卷积层、第二添加卷积层、该添加最大池化层、该添加全连接层。
在本实施例的一些可选的实现方式中,上述网络生成单元进一步被配置成:基于该结构信息,确定该图像分割神经网络的该编码层的位置;获取该第一添加卷积层,连接至该编码层之后;获取该第二卷积层连接至该第一卷积层之后;获取该添加最大池化层,连接至该第二卷积层之后;获取该添加全连接层,连接至该最大池化层之后,生成该合成图像检测神经网络。
在本实施例的一些可选的实现方式中,上述人脸图像的检测装置中还包括:图像预处理单元604,被配置成获取原始图像,采用人脸检测模型确定该原始图像中的人脸图像区域;基于该人脸图像区域,确定预处理区域;对该预处理区域进行归一化处理,得到归一化处理后的预处理区域;基于该归一化处理后的预处理区域中的图像,得到该待检测图像。
在本实施例的一些可选的实现方式中,图像预处理单元604中基于该归一化处理后的预处理区域中的图像,得到该待检测图像包括:对该归一化处理后的预处理区域进行随机数据增强处理,得到该待检测图像。
在本实施例的一些可选的实现方式中,图像预处理单元604中基于该人脸图像区域,确定预处理区域包括:获取该人脸图像区域的尺寸信息;将该尺寸信息放大预设倍数,确定预处理区域的尺寸信息;基于该预处理区域的尺寸信息,从该待检测人脸图像中确定该预处理区域。
本实施例作为对应于上述方法实施例的装置实施例存在,相同内容参考对于上述方法实施例的说明,对此不再赘述。通过本申请实施例提供的人脸图像的检测装置,可以首先对原始图像进行处理获取到待检测图像,并后续使用包括添加层的合成图像检测神经网络进行人脸检测,以实现更为效率、精确的人脸检测工作。
如图7所示,是根据本申请实施例的人脸图像的检测方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图7所示,该电子设备包括:一个或多个处理器701、存储器702,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图7中以一个处理器701为例。
存储器702即为本申请所提供的非瞬时计算机可读存储介质。其中,该存储器存储有可由至少一个处理器执行的指令,以使上述至少一个处理器执行本申请所提供的人脸图像的检测方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的人脸图像的检测方法。
存储器702作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的人脸图像的检测方法对应的程序指令/模块(例如,图6所示的待检测图像获取单元601、合成图像检测单元602、检测结果生成单元603和图像预处理单元604)。处理器701通过运行存储在存储器702中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的人脸图像的检测方法。
存储器702可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据人脸图像的检测电子设备的使用所创建的数据等。此外,存储器702可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器702可选包括相对于处理器701远程设置的存储器,这些远程存储器可以通过网络连接人脸图像的检测电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
用于执行人脸图像的检测方法的电子设备还可以包括:输入装置703和输出装置704。处理器701、存储器702、输入装置703和输出装置704可以通过总线或者其他方式连接,图7中以通过总线连接为例。
输入装置703可接收输入的数字或字符信息,以及产生与人脸图像的检测电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置704可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至上述存储系统、上述至少一个输入装置、和上述至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请实施例的技术方案,获取预处理后的待检测人脸图像,将该待检测人脸图像输入合成图像检测神经网络,得到该合成图像检测神经网络输出的合成图像检测信息;其中,该合成图像检测神经网络中包括添加层;基于该合成图像检测信息,生成该待检测人脸图像的检测结果,使用包括有添加层的合成图像检测神经网络进行检测,不仅可以提高检测过程的效率,还可以提升人脸图像检测结果的准确度。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (14)
1.一种人脸图像的检测方法,包括:
获取预处理后的待检测人脸图像;
将所述待检测人脸图像输入合成图像检测神经网络,得到所述合成图像检测神经网络输出的合成图像检测信息;其中,所述合成图像检测神经网络中包括添加层;
基于所述合成图像检测信息,生成所述待检测人脸图像的检测结果;
其中,所述合成图像检测神经网络是通过如下步骤生成:
获取图像分割神经网络;其中,所述图像分割神经网络中包括编码层和解码层;
解析所述图像分割神经网络的结构,得到所述图像分割神经网络的结构信息;其中,所述结构信息中至少包括编码层的位置信息;
响应于接收到针对合成图像检测神经网络的生成请求,获取所述结构信息和所述生成请求中的添加层信息;其中,所述添加层信息中至少包括添加卷积层、添加最大池化层、添加最大连接层中一种的数量信息和连接结构信息;
基于所述结构信息和所述添加层信息,调整所述图像分割神经网络,生成所述合成图像检测神经网络。
2.根据权利要求1所述的方法,其中,所述添加层信息包括:
所述数量信息为两个所述添加卷积层、一个添加最大池化层和一个添加全连接层;
以及所述连接结构信息中对应的连接结构为,依次连接的所述编码层、第一添加卷积层、第二添加卷积层、所述添加最大池化层、所述添加全连接层。
3.根据权利要求2所述的方法,其中,基于所述结构信息和所述添加层信息,调整所述图像分割神经网络,生成合成图像检测神经网络,包括:
基于所述结构信息,确定所述图像分割神经网络的所述编码层的位置;
获取所述第一添加卷积层,连接至所述编码层之后;
获取第二卷积层连接至第一卷积层之后;
获取所述添加最大池化层,连接至所述第二卷积层之后;
获取所述添加全连接层,连接至所述最大池化层之后,生成所述合成图像检测神经网络。
4.根据权利要求1所述的方法,其中,所述预处理后的待检测人脸图像经由以下步骤确定:
获取原始图像,采用人脸检测模型确定所述原始图像中的人脸图像区域;
基于所述人脸图像区域,确定预处理区域;
对所述预处理区域进行归一化处理,得到归一化处理后的预处理区域;
基于所述归一化处理后的预处理区域中的图像,得到所述待检测人脸图像。
5.根据权利要求4所述的方法,所述基于所述归一化处理后的预处理区域中的图像,得到所述待检测人脸图像,包括:
对所述归一化处理后的预处理区域进行随机数据增强处理,得到所述待检测人脸图像。
6.根据权利要求4所述的方法,其中,所述基于所述人脸图像区域,确定预处理区域包括:
获取所述人脸图像区域的尺寸信息;
将所述尺寸信息放大预设倍数,确定预处理区域的尺寸信息;
基于所述预处理区域的尺寸信息,从所述待检测人脸图像中确定所述预处理区域。
7.一种人脸图像的检测装置,包括:
待检测图像获取单元,被配置成获取预处理后的待检测人脸图像;
合成图像检测单元,被配置成将所述待检测人脸图像输入合成图像检测神经网络,得到所述合成图像检测神经网络输出的合成图像检测信息;其中,所述合成图像检测神经网络中包括添加层;
检测结果生成单元,被配置成于所述合成图像检测信息,生成所述待检测人脸图像的检测结果;
还包括:
图像分割神经网络获取单元,被配置成获取图像分割神经网络;其中,所述图像分割神经网络中包括编码层和解码层;
图像分割神经网络解析单元,被配置成解析所述图像分割神经网络的结构,得到所述图像分割神经网络的结构信息;其中,所述结构信息中至少包括编码层的位置信息;
添加层信息获取单元,被配置成响应于接收到针对合成图像检测神经网络的生成请求,获取所述结构信息和所述生成请求中的添加层信息;其中,所述添加层信息中至少包括添加卷积层、添加最大池化层、添加最大连接层中一种的数量信息和连接结构信息;
神经网络生成单元,被配置成基于所述结构信息和所述添加层信息,调整所述图像分割神经网络,生成所述合成图像检测神经网络。
8.根据权利要求7所述的装置,其中,所述添加层信息获取单元中所述添加层信息包括:
所述数量信息为两个所述添加卷积层、一个添加最大池化层和一个添加全连接层;
以及所述连接结构信息中对应的连接结构为,依次连接的所述编码层、第一添加卷积层、第二添加卷积层、所述添加最大池化层、所述添加全连接层。
9.根据权利要求8所述的装置,其中,所述神经网络生成单元进一步被配置成:
基于所述结构信息,确定所述图像分割神经网络的所述编码层的位置;
获取所述第一添加卷积层,连接至所述编码层之后;
获取第二卷积层连接至第一卷积层之后;
获取所述添加最大池化层,连接至所述第二卷积层之后;
获取所述添加全连接层,连接至所述最大池化层之后,生成所述合成图像检测神经网络。
10.根据权利要求7所述的装置,还包括:
图像预处理单元,被配置成获取原始图像,采用人脸检测模型确定所述原始图像中的人脸图像区域;
基于所述人脸图像区域,确定预处理区域;
对所述预处理区域进行归一化处理,得到归一化处理后的预处理区域;
基于所述归一化处理后的预处理区域中的图像,得到所述待检测人脸图像。
11.根据权利要求10所述的装置,其中,所述图像预处理单元中基于所述归一化处理后的预处理区域中的图像,得到所述待检测人脸图像包括:
对所述归一化处理后的预处理区域进行随机数据增强处理,得到所述待检测人脸图像。
12.根据权利要求10所述的装置,其中,所述图像预处理单元中所述基于所述人脸图像区域,确定预处理区域包括:
获取所述人脸图像区域的尺寸信息;
将所述尺寸信息放大预设倍数,确定预处理区域的尺寸信息;
基于所述预处理区域的尺寸信息,从所述待检测人脸图像中确定所述预处理区域。
13.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-6中任一项所述的人脸图像的检测方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质,包括:所述计算机指令用于使所述计算机执行权利要求1-6中任一项所述的人脸图像的检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011021834.2A CN112101281B (zh) | 2020-09-25 | 2020-09-25 | 人脸图像的检测方法、装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011021834.2A CN112101281B (zh) | 2020-09-25 | 2020-09-25 | 人脸图像的检测方法、装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112101281A CN112101281A (zh) | 2020-12-18 |
CN112101281B true CN112101281B (zh) | 2023-06-16 |
Family
ID=73756207
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011021834.2A Active CN112101281B (zh) | 2020-09-25 | 2020-09-25 | 人脸图像的检测方法、装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112101281B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108292363A (zh) * | 2016-07-22 | 2018-07-17 | 日电实验室美国公司 | 用于防欺骗面部识别的活体检测 |
CN109583342A (zh) * | 2018-11-21 | 2019-04-05 | 重庆邮电大学 | 基于迁移学习的人脸活体检测方法 |
CN109886087A (zh) * | 2019-01-04 | 2019-06-14 | 平安科技(深圳)有限公司 | 一种基于神经网络的活体检测方法及终端设备 |
CN110210393A (zh) * | 2019-05-31 | 2019-09-06 | 百度在线网络技术(北京)有限公司 | 人脸图像的检测方法和装置 |
CN110490232A (zh) * | 2019-07-18 | 2019-11-22 | 北京捷通华声科技股份有限公司 | 训练文字行方向预测模型的方法、装置、设备、介质 |
CN111339832A (zh) * | 2020-02-03 | 2020-06-26 | 中国人民解放军国防科技大学 | 人脸合成图像的检测方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108229269A (zh) * | 2016-12-31 | 2018-06-29 | 深圳市商汤科技有限公司 | 人脸检测方法、装置和电子设备 |
US10776903B2 (en) * | 2017-07-17 | 2020-09-15 | Open Text Corporation | Systems and methods for image modification and image based content capture and extraction in neural networks |
-
2020
- 2020-09-25 CN CN202011021834.2A patent/CN112101281B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108292363A (zh) * | 2016-07-22 | 2018-07-17 | 日电实验室美国公司 | 用于防欺骗面部识别的活体检测 |
CN109583342A (zh) * | 2018-11-21 | 2019-04-05 | 重庆邮电大学 | 基于迁移学习的人脸活体检测方法 |
CN109886087A (zh) * | 2019-01-04 | 2019-06-14 | 平安科技(深圳)有限公司 | 一种基于神经网络的活体检测方法及终端设备 |
CN110210393A (zh) * | 2019-05-31 | 2019-09-06 | 百度在线网络技术(北京)有限公司 | 人脸图像的检测方法和装置 |
CN110490232A (zh) * | 2019-07-18 | 2019-11-22 | 北京捷通华声科技股份有限公司 | 训练文字行方向预测模型的方法、装置、设备、介质 |
CN111339832A (zh) * | 2020-02-03 | 2020-06-26 | 中国人民解放军国防科技大学 | 人脸合成图像的检测方法及装置 |
Non-Patent Citations (2)
Title |
---|
Transfer Learning Using Convolutional neural networks for Face Anti-Spoofing;Oeslle Lucena;《Image Analysis and Recognition》;全文 * |
基于图像扩散速度模型和纹理信息的人脸活体检测;李新豆;《计算机科学》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112101281A (zh) | 2020-12-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111507914B (zh) | 人脸修复模型的训练方法、修复方法、装置、设备和介质 | |
CN111539514A (zh) | 用于生成神经网络的结构的方法和装置 | |
CN112270399B (zh) | 基于深度学习的算子注册处理方法、装置及电子设备 | |
CN111709873B (zh) | 图像转换模型生成器的训练方法和装置 | |
CN110659600B (zh) | 物体检测方法、装置及设备 | |
JP7389840B2 (ja) | 画像画質補強方法、装置、機器および媒体 | |
CN112270711B (zh) | 模型训练以及姿态预测方法、装置、设备以及存储介质 | |
CN112149636A (zh) | 用于检测目标物体的方法、装置、电子设备及存储介质 | |
JP7267379B2 (ja) | 画像処理方法、事前トレーニングモデルのトレーニング方法、装置及び電子機器 | |
CN111783605A (zh) | 一种人脸图像识别方法、装置、设备及存储介质 | |
CN111539897A (zh) | 用于生成图像转换模型的方法和装置 | |
CN111582477A (zh) | 神经网络模型的训练方法和装置 | |
CN112149634A (zh) | 图像生成器的训练方法、装置、设备以及存储介质 | |
CN116228867B (zh) | 位姿确定方法、装置、电子设备、介质 | |
CN112288483A (zh) | 用于训练模型的方法和装置、用于生成信息的方法和装置 | |
CN111523467B (zh) | 人脸跟踪方法和装置 | |
CN111783639A (zh) | 图像检测方法、装置、电子设备及可读存储介质 | |
CN113902956A (zh) | 融合模型的训练方法、图像融合方法、装置、设备及介质 | |
CN111783600A (zh) | 一种人脸识别模型训练方法、装置、设备及介质 | |
CN113313048B (zh) | 脸部表情识别方法和装置 | |
CN111783644B (zh) | 检测方法、装置、设备和计算机存储介质 | |
CN112016523B (zh) | 跨模态人脸识别的方法、装置、设备和存储介质 | |
CN112085103B (zh) | 基于历史行为的数据增强方法、装置、设备以及存储介质 | |
CN110738261B (zh) | 图像分类和模型训练方法、装置、电子设备及存储介质 | |
CN111738325A (zh) | 图像识别方法、装置、设备以及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |