CN112115789A - 人脸检测模型的确定方法、装置及电子设备 - Google Patents

人脸检测模型的确定方法、装置及电子设备 Download PDF

Info

Publication number
CN112115789A
CN112115789A CN202010832399.5A CN202010832399A CN112115789A CN 112115789 A CN112115789 A CN 112115789A CN 202010832399 A CN202010832399 A CN 202010832399A CN 112115789 A CN112115789 A CN 112115789A
Authority
CN
China
Prior art keywords
face
detection model
face detection
receptive field
layer
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.)
Pending
Application number
CN202010832399.5A
Other languages
English (en)
Inventor
林航东
张法朝
唐剑
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Didi Infinity Technology and Development Co Ltd
Original Assignee
Beijing Didi Infinity Technology and Development Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Didi Infinity Technology and Development Co Ltd filed Critical Beijing Didi Infinity Technology and Development Co Ltd
Priority to CN202010832399.5A priority Critical patent/CN112115789A/zh
Publication of CN112115789A publication Critical patent/CN112115789A/zh
Pending legal-status Critical Current

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
    • G06V40/168—Feature extraction; Face representation
    • 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)
  • Health & Medical Sciences (AREA)
  • General 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例公开了一种人脸检测模型的确定方法、装置及电子设备，通过确定车载设备采集的人脸图像中的人脸尺寸范围，根据人脸尺寸范围确定人脸检测模型的输出层的感受野，根据输出层的感受野调节所述人脸检测模型的参数，根据样本数据训练人脸检测模型，由此，根据本发明实施例的人脸检测模型对待处理图像进行人脸检测，可以减少计算量，实现轻量化人脸检测。

Description

人脸检测模型的确定方法、装置及电子设备
技术领域
本发明涉及图像处理技术领域，更具体地，涉及一种人脸检测模型的确定方法、装置及电子设备。
背景技术
随着人工智能的广泛应用，设备控制、行为检测以及人脸表情检测、疲劳检测等均依赖于人脸检测模型的检测，同时，为了满足各类设备的算力要求，采用轻量化的人脸检测模型至关重要。
发明内容
有鉴于此，本发明实施例提供一种人脸检测模型的确定方法、装置及电子设备，以使得根据本发明实施例的人脸检测模型对待处理图像进行人脸检测，从而减少计算量，实现轻量化人脸检测。
第一方面，本发明实施例提供一种人脸检测模型的确定方法，所述方法包括：
确定车载设备采集的人脸图像中的人脸尺寸范围；
根据所述人脸尺寸范围确定所述人脸检测模型的输出层的感受野；
根据所述输出层的感受野调节所述人脸检测模型的参数；
根据样本数据训练所述人脸检测模型，所述样本数据包括多个人脸图像。
可选的，根据所述输出层的感受野调节所述人脸检测模型的参数包括：
根据所述输出层的感受野调节所述人脸检测模型的层数、各层卷积核大小和步长。
可选的，所述输出层的感受野大于所述人脸尺寸范围的最大值。
可选的，所述输出层的感受野与所述人脸尺寸范围的最大值的差小于预设值。
可选的，所述人脸检测模型的当前层感受野根据对应的上一层感受野、当前层的卷积核大小、以及当前层的卷积层步长或池化层步长确定。
可选的，所述人脸检测模型的各层感受野和人脸检测模型的参数满足：
Figure BDA0002638465520000021
其中，RFk为所述人脸检测模型的第k层的感受野，k大于1，fk所述人脸检测模型的第k层的卷积核大小，si为第i层卷积层或池化层的步长。
可选的，所述方法还包括:
响应于所述人脸检测模型中的检测框尺寸小于所述人脸尺寸范围的最小值，对所述检测框对应的检测通道进行剪枝。
第二方面，本发明实施例提供一种人脸检测模型的确定装置，所述装置包括：
人脸尺寸范围确定单元，被配置为确定车载设备采集的人脸图像中的人脸尺寸范围；
感受野确定单元，被配置为根据所述人脸尺寸范围确定所述人脸检测模型的输出层的感受野；
参数调节单元，被配置为根据所述输出层的感受野调节所述人脸检测模型的参数；
模型确定单元，被配置为根据样本数据训练所述人脸检测模型，所述样本数据包括多个人脸图像。
可选的，参数调节单元包括：
参数调节子单元，被配置为根据所述输出层的感受野调节所述人脸检测模型的层数、各层卷积核大小和步长。
可选的，所述输出层的感受野大于所述人脸尺寸范围的最大值。
可选的，所述输出层的感受野与所述人脸尺寸范围的最大值的差小于预设值。
可选的，所述人脸检测模型的当前层感受野根据对应的上一层感受野、当前层的卷积核大小、以及当前层的卷积层步长或池化层步长确定。
可选的，所述人脸检测模型的各层感受野和人脸检测模型的参数满足：
Figure BDA0002638465520000031
其中，RFk为所述人脸检测模型的第k层的感受野，k大于1，fk所述人脸检测模型的第k层的卷积核大小，si为第i层卷积层或池化层的步长。
可选的，所述装置还包括:
剪枝单元，被配置为响应于所述人脸检测模型中的检测框尺寸小于所述人脸尺寸范围的最小值，对所述检测框对应的检测通道进行剪枝。
第三方面，本发明实施例提供一种电子设备，所述电子设备包括存储器和处理器，其中，所述存储器用于存储一条或多条计算机程序指令，其中，所述一条或多条计算机程序指令被所述处理器执行以实现如本发明实施例第一方面所述的方法。
可选的，所述电子设备还包括图像采集装置，所述图像采集装置用于采集人脸图像。
第四方面，本发明实施例提供一种计算机可读存储介质，其上存储计算机程序指令，所述计算机程序指令在被处理器执行时以实现如本发明实施例第一方面所述的方法。
本发明实施例通过确定车载设备采集的人脸图像中的人脸尺寸范围，根据人脸尺寸范围确定人脸检测模型的输出层的感受野，根据输出层的感受野调节所述人脸检测模型的参数，根据样本数据训练人脸检测模型，由此，根据本发明实施例的人脸检测模型对待处理图像进行人脸检测，可以减少计算量，实现轻量化人脸检测。
附图说明
通过以下参照附图对本发明实施例的描述，本发明的上述以及其它目的、特征和优点将更为清楚，在附图中：
图1是本发明实施例的人脸检测模型的确定方法的流程图；
图2是本发明实施例的感受野的示意图；
图3是本发明实施例的人脸检测模型的示意图；
图4是本发明实施例的人脸检测方法的流程图；
图5是本发明实施例的人脸检测模型的确定装置的示意图；
图6是本发明实施例的人脸检测装置的示意图；
图7是本发明实施例的电子设备的示意图。
具体实施方式
以下基于实施例对本发明进行描述，但是本发明并不仅仅限于这些实施例。在下文对本发明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。为了避免混淆本发明的实质，公知的方法、过程、流程、元件和电路并没有详细叙述。
此外，本领域普通技术人员应当理解，在此提供的附图都是为了说明的目的，并且附图不一定是按比例绘制的。
除非上下文明确要求，否则在说明书的“包括”、“包含”等类似词语应当解释为包含的含义而不是排他或穷举的含义；也就是说，是“包括但不限于”的含义。
在本发明的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
在车辆驾驶应用中，例如网约车应用领域，为了避免事故产生，对司机的驾驶状态(例如疲劳状态、情绪状态等)进行监控是尤为重要的，其中司机的驾驶状态监控依赖于人脸检测，为了适应各种车载设备的算力大小，本发明实施例提供一种轻量化的人脸检测模型，以减小人脸检测处理所占用的车载设备的计算量及功耗。
图1是本发明实施例的人脸检测模型的确定方法。如图1所示，本发明实施例的人脸检测模型的确定方法包括以下步骤：
步骤S110，确定车载设备采集的人脸图像中的人脸尺寸范围。在车辆驾驶领域，车载设备通常固定在车内，且与所采集的人脸的距离通常在一定距离范围内，例如网约车领域中，采集司机人脸的车载设备通常设置在驾驶座前方，同时，司机人脸的大小也通常在一定范围内，因此，可以通过车载设备所采集的多个人脸图像中的人脸大小来确定对应的人脸尺寸范围。可选的，车载设备可以为用户的终端设备，也可以为车辆内固定的设备，本实施例并不对此进行限制。
步骤S120，根据上述人脸尺寸范围确定人脸检测模型的输出层的感受野。
图2是本发明实施例的感受野的示意图。感受野(Receptive Field)是神经网络每一层输出的特征图上的像素点在输入图像上映射的区域大小。如图2所示，特征图f1中的区域q1映射至特征图f2上的像素点s1，特征图f1中的区域q2映射至特征图f3的像素点s2。应理解，图2中的感受野示意图仅仅是示意性的，其并不用于限制本实施例的人脸检测模型的各层感受野及特征图。
在一种可选的实现方式中，人脸检测模型的输出层的感受野大于人脸尺寸范围的最大值。可选的，人脸检测模型的输出层的感受野与人脸尺寸范围的最大值的差值小于预设值。也就是说，在本实施例中人脸检测模型的输出层的感受野覆盖人脸区域，以便能够获取完整的人脸特征信息，并且使得人脸检测模型的输出层的感受野与人脸尺寸范围相适应，以使得在获取完整的人脸特征信息的同时，不进行多余特征信息的提取，从而减小人脸检测的计算量。
在一种可选的实现方式中，根据人脸尺寸范围确定人脸检测模型的输出层的感受野范围。其中，本实施例使得感受野范围的最小值大于人脸尺寸范围的最大值，以使得人脸检测模型能够获取完整的人脸特征信息，并且使得感受野范围的最小值与人脸尺寸范围的最大值的差值小于预设值，使得在获取完整的人脸特征信息的同时，不进行多余特征信息的提取，从而减小人脸检测的计算量。
步骤S130，根据人脸检测模型的输出层的感受野调节人脸检测模型的参数。在一种可选的实现方式中，调节人脸检测模型的参数，以使得人脸检测模型的输出层的感受野在步骤S120确定的感受野范围内。可选的，通过调节人脸检测模型的层数、各层卷积核的大小和步长，使得人脸检测模型的输出层的感受野在步骤S120确定的感受野范围内。在一种可选的实现方式中，所述人脸检测模型的当前层感受野根据对应的上一层感受野、当前层的卷积核大小、以及当前层的卷积层步长或池化层步长确定。可选的，本实施例采用从低向上的方法确定人脸检测模型的各层感受野与其参数的关系。具体地，人脸检测模型的各层感受野和人脸检测模型的参数满足公式(1)：
Figure BDA0002638465520000061
其中，RFk为所述人脸检测模型的第k层的感受野，k大于1，fk所述人脸检测模型的第k层的卷积核大小，si为第i层卷积层或池化层的步长。可选的，第1层的感受野被设置为该层卷积核的大小。
应理解，人脸检测模型的各层感受野与其参数的关系并不限于公式(1)，其他能够表征人脸检测模型的各层感受野与其参数的关系的方式均可应用于本实施例中。例如，采用自项向下的方法确定人脸检测模型的各层感受野与其参数的关系。具体地，以带有dilation(空洞卷积)的卷积层为例，人脸检测模型的各层感受野和人脸检测模型的参数还满足公式(2):
RF(i,j-1)＝(RF(i,j)-1)*si+di*(fi-1)+1 (2)
其中，RF(i,j)表示人脸检测模型中的第i层对第j层的局部感受野，si表示第i层的步长，di表示第i层的空洞卷积大小，fi表示第i层的卷积核大小。
在一种可选的实现方式中，以车载设备采集的图像中的人脸尺寸范围为64*64-128*128为例，基于公式(1)配置本实施例的人脸检测模型参数如表(1)所示：
表(1)
Figure BDA0002638465520000062
Figure BDA0002638465520000071
应理解，表(1)中的人脸检测模型的层数、各层卷积核大小、步长、填充及空洞卷积大小等参数仅仅是示例性的，本实施例并不对此进行限制，在应用中可根据实际情况基于对应的输出层的感受野调节人脸检测模型的参数。
在一种可选的实现方式中，本实施例的人脸检测模型的确定方法还包括：响应于人脸检测模型中的检测框尺寸小于人脸尺寸范围的最小值，对该检测框对应的检测通道进行剪枝。例如，假设当前的人脸检测模型具有32*32的检测框、64*64的检测框和128*128的检测框，则当人脸尺寸范围为64*64-128*128时，可以对32*32的检测框对应的检测通道进行剪枝，由此进一步地减小人脸检测模型处理处理数据时的计算量，并且可以使得人脸检测模型在预测人脸框时不会生成过小的人脸输出，提高了人脸检测准确性。
步骤S140，根据样本数据训练所述人脸检测模型，所述样本数据包括多个人脸图像。也就是说，在本实施例中，将样本数据输入至人脸检测模型中，根据人脸检测模型的输出和样本数据的标签调节人脸检测模型的系数，以最小化对应的损失函数。可选的，样本数据可以为车载设备采集的大量人脸图像，也可以为现有的训练数据集PubFig数据集、CelebA数据集、Caltech数据集等，本实施例并不对样本数据进行限制。
本发明实施例通过确定车载设备采集的人脸图像中的人脸尺寸范围，根据人脸尺寸范围确定人脸检测模型的输出层的感受野，根据输出层的感受野调节所述人脸检测模型的参数，根据样本数据训练人脸检测模型，由此，根据本发明实施例的人脸检测模型对待处理图像进行人脸检测，可以减少计算量，实现轻量化人脸检测。
图3是本发明实施例的人脸检测模型的示意图。如图3所示，人脸检测模型3接收人脸图像Image，人脸检测模型3中的图像预处理模块31对人脸图像Image进行图像预处理(Preprocess)，可选的，图像预处理包括标准化处理(Normalization)，例如对人脸图像Image中的RGB像素值进行标准化处理，将RGB像素值标准化为0到1之间的值或者-1到1之间的值。人脸检测模型3中的特征抽取单元32对预处理后的图像进行特征抽取(FeatureExtractor)，获取图像特征信息。可选的，特征抽取单元32通过卷积处理(Convolution)、激活处理(Activation)以及批处理(Batchnorm)等以加速收敛速度和达到稳定性的速度，从而提高人脸检测模型的训练速度和图像处理速度。人脸检测模型2通过解码模块34、后置处理模块35以及面部框确定模块36依次对特征抽取模块抽取的特征信息进行解码处理(Decoding)、核准处理(Calibration)、NMS(Non-Maximum Suppression，非极大值抑制处理)等后置处理、以及面部框确定(FaceBoxes)，以获取人脸图像Image的面部区域。在本实施例中，人脸检测模型3中的输出层的感受野范围根据对应应用场景的人脸尺寸范围确定，并基于输出层的感受野范围调节模型中各层的卷积核、步长、填充等参数，以使得人脸检测模型3的输出层的感受野位于上述感受野范围内，从而使得人脸检测模型的输出层的感受野与人脸尺寸范围相适应，由此，可以在获取完整的人脸特征信息的同时，不进行多余特征信息的提取，从而减小人脸检测的计算量，进而实现轻量化人脸检测。
如图3所示，人脸检测模型3包括32*32预测框、64*64预测框和128*128预测框，也即人脸检测模型3可以生成32*32-128*128的人脸输出。应理解，人脸检测模型的检测框大小分布可以根据实际应用中的人脸尺寸范围进行设置，例如若应用在车载设备的人脸检测中，假设车载设备采集的人脸图像对应的人脸尺寸范围为64-128，则可以将32*32检测框对应的检测通道进行剪枝，以进一步减小计算量。
本发明实施例通过确定车载设备采集的人脸图像中的人脸尺寸范围，根据人脸尺寸范围确定人脸检测模型的输出层的感受野，根据输出层的感受野调节所述人脸检测模型的参数，根据样本数据训练人脸检测模型，由此，根据本发明实施例的人脸检测模型对待处理图像进行人脸检测，可以减少计算量，实现轻量化人脸检测。
图4是本发明实施例的人脸检测方法的流程图。如图4所示，本发明实施例的人脸检测方法包括以下步骤：
步骤S210，通过车载设备采集待处理图像。可选的，车载设备可以为用户的终端设备，也可以为车辆内固定的设备，本实施例并不对此进行限制。
步骤S220，将待处理图像输入至人脸识别模型中进行检测，获取待处理图像中的人脸区域。其中，人脸检测模型的参数根据人脸检测模型的输出层的感受野确定，输出层的感受野根据车载设备采集的人脸尺寸范围确定。可选的，根据车载设备采集的图像对应的人脸尺寸范围确定人脸检测模型的输出层的感受野范围，并根据该感受野范围调节人脸检测模型各层的卷积核、步长、填充等参数，以使得人脸检测模型的输出层的感受野位于上述感受野范围内，从而使得人脸检测模型的输出层的感受野与人脸尺寸范围相适应，由此，可以在获取完整的人脸特征信息的同时，不进行多余特征信息的提取，从而减小人脸检测的计算量，进而实现轻量化人脸检测。可选的，人脸检测模型的输出层的感受野与人脸尺寸范围相适应具体为：人脸检测模型的输出层的感受野大于人脸尺寸范围中的最大值，且与该最大值的差值小于预定值。
在一种可选的实现方式中，本实施例中的人脸检测模型的检测框尺寸分布与上述人脸尺寸范围相适配。例如，若人脸尺寸范围为32*32-128*128，则人脸检测模型包括32*32检测框的检测通道、64*64检测框的检测通道以及128*128检测框的检测通道，若人脸尺寸范围为64*64-128*128，则人脸检测模型包括64*64检测框的检测通道以及128*128检测框的检测通道。由此，本实施例通过使得检测框尺寸与人脸尺寸范围相适配，避免人脸检测模型中存在过小或过大的检测框通道，进一步减小了人脸检测模型的计算量。
本实施例通过车载设备采集待处理图像，并将待处理图像输入至人脸识别模型中进行检测，获取待处理图像中的人脸区域。其中，本实施例通过确定车载设备采集的人脸图像中的人脸尺寸范围，根据人脸尺寸范围确定人脸检测模型的输出层的感受野，根据输出层的感受野调节所述人脸检测模型的参数，根据样本数据训练人脸检测模型，由此，根据本发明实施例的人脸检测模型对待处理图像进行人脸检测，可以减少计算量，实现轻量化人脸检测。
图5是本发明实施例的人脸检测模型的确定装置的示意图。如图5所示，本发明实施例的人脸检测模型的确定装置5包括人脸尺寸范围确定单元51、感受野确定单元52、参数调节单元53和模型确定单元54。
人脸尺寸范围确定单元51被配置为确定车载设备采集的人脸图像中的人脸尺寸范围。感受野确定单元52被配置为根据所述人脸尺寸范围确定所述人脸检测模型的输出层的感受野。参数调节单元53被配置为根据所述输出层的感受野调节所述人脸检测模型的参数。模型确定单元54被配置为根据样本数据训练所述人脸检测模型，所述样本数据包括多个人脸图像。
在一种可选的实现方式中，参数调节单元53包括参数调节子单元531。参数调节子单元531被配置为根据所述输出层的感受野调节所述人脸检测模型的层数、各层卷积核大小和步长。可选的，所述人脸检测模型的当前层感受野根据对应的上一层感受野、当前层的卷积核大小、以及当前层的卷积层步长或池化层步长确定。可选的，本实施例采用从低向上的方法确定人脸检测模型的各层感受野与其参数的关系。具体地，人脸检测模型的各层感受野和人脸检测模型的参数满足：
Figure BDA0002638465520000101
其中，RFk为所述人脸检测模型的第k层的感受野，k大于1，fk所述人脸检测模型的第k层的卷积核大小，si为第i层卷积层或池化层的步长。可选的，人脸检测模型的第1层的感受野可以为该层的卷积核大小。
应理解，人脸检测模型的各层感受野与其参数的关系并不限于公式(1)，其他能够表征人脸检测模型的各层感受野与其参数的关系的方式均可应用于本实施例中。例如，采用自项向下的方法确定人脸检测模型的各层感受野与其参数的关系等。
在一种可选的实现方式中，所述输出层的感受野大于所述人脸尺寸范围的最大值。可选的，所述输出层的感受野与所述人脸尺寸范围的最大值的差小于预设值。
在一种可选的实现方式中，人脸检测模型的确定装置5还包括剪枝单元55。剪枝单元55被配置为响应于所述人脸检测模型中的检测框尺寸小于所述人脸尺寸范围的最小值，对所述检测框对应的检测通道进行剪枝。
本发明实施例通过确定车载设备采集的人脸图像中的人脸尺寸范围，根据人脸尺寸范围确定人脸检测模型的输出层的感受野，根据输出层的感受野调节所述人脸检测模型的参数，根据样本数据训练人脸检测模型，由此，根据本发明实施例的人脸检测模型对待处理图像进行人脸检测，可以减少计算量，实现轻量化人脸检测。
图6是本发明实施例的人脸检测装置的示意图。如图6所示，本发明实施例的人脸检测装置6包括图像采集单元61和人脸检测单元62。图像采集单元61被配置为通过车载设备采集待处理图像。人脸检测单元62被配置为将所述待处理图像输入至人脸识别模型中进行检测，获取所述待处理图像中的人脸区域。其中，人脸检测模型的参数根据人脸检测模型的输出层的感受野确定，输出层的感受野根据车载设备采集的人脸尺寸范围确定。可选的，根据车载设备采集的图像对应的人脸尺寸范围确定人脸检测模型的输出层的感受野范围，并根据该感受野范围调节人脸检测模型各层的卷积核、步长、填充等参数，以使得人脸检测模型的输出层的感受野位于上述感受野范围内，从而使得人脸检测模型的输出层的感受野与人脸尺寸范围相适应，由此，可以在获取完整的人脸特征信息的同时，不进行多余特征信息的提取，从而减小人脸检测的计算量，进而实现轻量化人脸检测。可选的，人脸检测模型的输出层的感受野与人脸尺寸范围相适应具体为：人脸检测模型的输出层的感受野大于人脸尺寸范围中的最大值，且与该最大值的差值小于预定值。
本实施例通过车载设备采集待处理图像，并将待处理图像输入至人脸识别模型中进行检测，获取待处理图像中的人脸区域。其中，本实施例通过确定车载设备采集的人脸图像中的人脸尺寸范围，根据人脸尺寸范围确定人脸检测模型的输出层的感受野，根据输出层的感受野调节所述人脸检测模型的参数，根据样本数据训练人脸检测模型，由此，根据本发明实施例的人脸检测模型对待处理图像进行人脸检测，可以减少计算量，实现轻量化人脸检测。
图7是本发明实施例的电子设备的示意图。如图7所示，图7所示的电子设备为通用数据处理装置，其包括通用的计算机硬件结构，其至少包括处理器71和存储器72。处理器71和存储器72通过总线73连接。存储器72适于存储处理器71可执行的指令或程序。处理器71可以是独立的微处理器，也可以是一个或者多个微处理器集合。由此，处理器71通过执行存储器72所存储的指令，从而执行如上所述的本发明实施例的方法流程实现对于数据的处理和对于其它装置的控制。可选的，电子设备7还包括显示控制器74、输入/输出(I/O)装置75、输入/输出(I/O)控制器76以及图像采集装置77。图像采集装置77用于采集人脸图像，所述电子设备可以为车载设备。其中，总线73将上述多个组件连接在一起，同时将上述组件连接到显示控制器74和显示装置以及输入/输出(I/O)装置75。输入/输出(I/O)装置75可以是鼠标、键盘、调制解调器、网络接口、触控输入装置、体感输入装置、打印机以及本领域公知的其他装置。典型地，输入/输出装置75通过输入/输出(I/O)控制器76与系统相连。
本领域的技术人员应明白，本申请的实施例可提供为方法、装置(设备)或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可读存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品。
本申请是参照根据本申请实施例的方法、装置(设备)和计算机程序产品的流程图来描述的。应理解可由计算机程序指令实现流程图中的每一流程。
这些计算机程序指令可以存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现流程图一个流程或多个流程中指定的功能。
也可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程中指定的功能的装置。
本发明的另一实施例涉及一种非易失性存储介质，用于存储计算机可读程序，所述计算机可读程序用于供计算机执行上述部分或全部的方法实施例。
即，本领域技术人员可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)执行本申请各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-OnlyMemory)、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。
以上所述仅为本发明的优选实施例，并不用于限制本发明，对于本领域技术人员而言，本发明可以有各种改动和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种人脸检测模型的确定方法，其特征在于，所述方法包括：
确定车载设备采集的人脸图像中的人脸尺寸范围；
根据所述人脸尺寸范围确定所述人脸检测模型的输出层的感受野；
根据所述输出层的感受野调节所述人脸检测模型的参数；
根据样本数据训练所述人脸检测模型，所述样本数据包括多个人脸图像。
2.根据权利要求1所述的方法，其特征在于，根据所述输出层的感受野调节所述人脸检测模型的参数包括：
根据所述输出层的感受野调节所述人脸检测模型的层数、各层卷积核大小和步长。
3.根据权利要求1所述的方法，其特征在于，所述输出层的感受野大于所述人脸尺寸范围的最大值。
4.根据权利要求3所述的方法，其特征在于，所述输出层的感受野与所述人脸尺寸范围的最大值的差小于预设值。
5.根据权利要求1所述的方法，其特征在于，所述人脸检测模型的当前层感受野根据对应的上一层感受野、当前层的卷积核大小、以及当前层的卷积层步长或池化层步长确定。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括:
响应于所述人脸检测模型中的检测框尺寸小于所述人脸尺寸范围的最小值，对所述检测框对应的检测通道进行剪枝。
7.一种人脸检测模型的确定装置，其特征在于，所述装置包括：
人脸尺寸范围确定单元，被配置为确定车载设备采集的人脸图像中的人脸尺寸范围；
感受野确定单元，被配置为根据所述人脸尺寸范围确定所述人脸检测模型的输出层的感受野；
参数调节单元，被配置为根据所述输出层的感受野调节所述人脸检测模型的参数；
模型确定单元，被配置为根据样本数据训练所述人脸检测模型，所述样本数据包括多个人脸图像。
8.一种电子设备，其特征在于，所述电子设备包括存储器和处理器，其中，所述存储器用于存储一条或多条计算机程序指令，其中，所述一条或多条计算机程序指令被所述处理器执行以实现如权利要求1-6中任一项所述的方法。
9.根据权利要求8所述的电子设备，其特征在于，所述电子设备还包括图像采集装置，所述图像采集装置用于采集人脸图像。
10.一种计算机可读存储介质，其上存储计算机程序指令，其特征在于，所述计算机程序指令在被处理器执行时以实现如权利要求1-6中任一项所述的方法。
CN202010832399.5A 2020-08-18 2020-08-18 人脸检测模型的确定方法、装置及电子设备 Pending CN112115789A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010832399.5A CN112115789A (zh) 2020-08-18 2020-08-18 人脸检测模型的确定方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010832399.5A CN112115789A (zh) 2020-08-18 2020-08-18 人脸检测模型的确定方法、装置及电子设备

Publications (1)

Publication Number Publication Date
CN112115789A true CN112115789A (zh) 2020-12-22

Family

ID=73805131

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010832399.5A Pending CN112115789A (zh) 2020-08-18 2020-08-18 人脸检测模型的确定方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN112115789A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105426875A (zh) * 2015-12-18 2016-03-23 武汉科技大学 一种基于深度卷积神经网络的人脸识别方法和考勤系统
CN106485230A (zh) * 2016-10-18 2017-03-08 中国科学院重庆绿色智能技术研究院 基于神经网络的人脸检测模型的训练、人脸检测方法及系统
CN106971230A (zh) * 2017-05-10 2017-07-21 中国石油大学(北京) 基于深度学习的初至拾取方法及装置
CN108154199A (zh) * 2017-12-22 2018-06-12 任俊芬 一种基于深度学习的高精度快速单类目标检测方法
CN108960340A (zh) * 2018-07-23 2018-12-07 电子科技大学 卷积神经网络压缩方法及人脸检测方法
CN109670517A (zh) * 2018-12-24 2019-04-23 北京旷视科技有限公司 目标检测方法、装置、电子设备和目标检测模型

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105426875A (zh) * 2015-12-18 2016-03-23 武汉科技大学 一种基于深度卷积神经网络的人脸识别方法和考勤系统
CN106485230A (zh) * 2016-10-18 2017-03-08 中国科学院重庆绿色智能技术研究院 基于神经网络的人脸检测模型的训练、人脸检测方法及系统
CN106971230A (zh) * 2017-05-10 2017-07-21 中国石油大学(北京) 基于深度学习的初至拾取方法及装置
CN108154199A (zh) * 2017-12-22 2018-06-12 任俊芬 一种基于深度学习的高精度快速单类目标检测方法
CN108960340A (zh) * 2018-07-23 2018-12-07 电子科技大学 卷积神经网络压缩方法及人脸检测方法
CN109670517A (zh) * 2018-12-24 2019-04-23 北京旷视科技有限公司 目标检测方法、装置、电子设备和目标检测模型

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
HUNG LE 等: "What are the Receptive, Effective Receptive, and Projective Fields of Neurons in Convolutional Neural Networks?", 《ARXIV》 *
姚舜才 等: "《机器学习基础教程》", 31 March 2020, 西安电子科技大学出版社 *

Similar Documents

Publication Publication Date Title
EP3539054B1 (en) Neural network image processing apparatus
CN108875732B (zh) 模型训练与实例分割方法、装置和系统及存储介质
CN108108662B (zh) 深度神经网络识别模型及识别方法
CN110058699B (zh) 一种基于智能移动设备传感器的用户行为识别方法
CN113111968B (zh) 图像识别模型训练方法、装置、电子设备和可读存储介质
CN110414546A (zh) 使用中间损失函数训练图像信号处理器
CN111292334B (zh) 一种全景图像分割方法、装置及电子设备
CN111914665A (zh) 一种人脸遮挡检测方法、装置、设备及存储介质
CN113179421B (zh) 视频封面选择方法、装置、计算机设备和存储介质
CN112115790A (zh) 人脸识别方法、装置、可读存储介质和电子设备
EP2497052A1 (en) Method for illumination normalization on a digital image for performing face recognition
CN115564030A (zh) 目标检测模型的压缩方法、检测方法、装置及相关设备
CN114359641A (zh) 目标对象的检测方法以及相关装置、设备
CN111612732B (zh) 图像质量评估方法、装置、计算机设备及存储介质
CN112115789A (zh) 人脸检测模型的确定方法、装置及电子设备
CN110210314B (zh) 人脸检测方法、装置、计算机设备及存储介质
CN109447021B (zh) 一种属性检测方法及属性检测装置
CN116994049A (zh) 全自动针织横机及其方法
CN114943924B (zh) 基于人脸表情视频的疼痛评估方法、系统、设备及介质
CN112102175A (zh) 图像对比度的增强方法、装置、存储介质及电子设备
JP7148462B2 (ja) 画像認識評価プログラム、画像認識評価方法、評価装置及び評価システム
CN109711260B (zh) 疲劳状态的检测方法、终端设备及介质
CN113313010A (zh) 一种人脸关键点检测模型训练方法、装置和设备
CN112686851A (zh) 一种图像检测方法、装置及存储介质
CN113781464B (zh) 嘴唇润燥检测方法、装置、计算机设备及存储介质

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20201222

RJ01 Rejection of invention patent application after publication