CN112580475A - 一种人脸检测方法及系统 - Google Patents

Abstract

本申请公开了一种人脸检测方法及系统。人脸检测方法包括：分割步骤：对检测图进行分割，获取所述检测图的分割图；检测步骤：对所述分割图中的人脸进行检测，获取所述分割图中的人脸框；映射步骤：将所述人脸框映射到所述检测图上；去重步骤：对所述检测图的所述人脸框进行去重处理。本发明提出一种人脸检测方法及系统，为了降低基于深度学习技术的人脸检测模型对GPU显存占用的需求，同时保证人脸检测任务的性能不受影响，本发明通过使用本专利提出的图像分割方法，将图片分割技术应用到深度学习人脸检测模型中，可以在降低人脸检测模型占用GPU显存的同时，保证模型的精度性能不会有下降。

Description

一种人脸检测方法及系统

技术领域

本申请涉及人脸检测技术领域，尤其涉及一种人脸检测方法及系统。

背景技术

目前人脸检测任务中基本上使用的都是深度学习技术，与传统的 人脸检测技术相比深度学习人脸检测技术具有更强的鲁棒性。但深度 学习的模型比较费资源，一般都需要运行在GPU上，对普通用户来说 一块大容量显存的GPU是十分昂贵的。为了降低深度学习人脸检测对 GPU显存占用需求，最简单的方法是直接对待检测的图片进行尺度缩 放，将缩放后的图片输入到模型中进行人脸检测，如图1所示。上述方 法能够降低人脸检测模型对GPU显存的使用，但会影响人脸检测模型 的性能，直接缩小图片尺寸会影响检测图片中的小人脸。在基于深度 学习的人脸检测任务中，为了保证对小人脸的检测效果，输入模型的图片尺寸一般都比较大，比如1280x1280或640x640。但大尺度图片 往往会占用较大的GPU显存，对拥有小显存GPU用户来说不是很友 好。

因此，针对以上现状，本发明提出一种人脸检测方法及系统，为 了降低基于深度学习技术的人脸检测模型对GPU显存占用的需求， 同时保证人脸检测任务的性能不受影响，本发明通过使用本专利提出 的图像分割方法，将图片分割技术应用到深度学习人脸检测模型中， 可以在降低人脸检测模型占用GPU显存的同时，保证模型的精度性 能不会有下降。

发明内容

本申请实施例提供了一种人脸检测方法及系统，以至少解决相关 技术中主观因素影响的问题。

本发明提供了一种人脸检测方法，包括：

分割步骤：对检测图进行分割，获取所述检测图的分割图；

检测步骤：对所述分割图中的人脸进行检测，获取所述分割图中的人脸框；

映射步骤：将所述人脸框映射到所述检测图上；

去重步骤：对所述检测图的所述人脸框进行去重处理。

上述的一种人脸检测方法，所述分割步骤包括，在一设定方向上以 一设定步长对所述检测图进行分割，分割后获得多张所述分割图。

上述的人脸检测方法，所述检测步骤包括，使用人脸检测模型检测 每一所述分割图中的人脸，获取所述分割图中的多个所述人脸框。

上述的人脸检测方法，映射步骤包括，对所述人脸框进行坐标调整， 并将调整后的所述人脸框映射到所述检测图片上。

上述的人脸检测方法，所述去重步骤包括，采用非极大值抑制的方法对 多个所述人脸框进行去重处理。

本发明还提供一种人脸检测系统，其特征在于，适用于上述所述 的一种一种人脸检测方法，包括：

分割单元：对检测图进行分割，获取所述检测图的分割图；

检测单元：对所述分割图中的人脸进行检测，获取所述分割图中的人脸框；

映射单元：将所述人脸框映射到所述检测图上；

去重单元：对所述检测图的所述人脸框进行去重处理。

上述的人脸检测系统，所述分割单元包括，在一设定方向上以一设 定步长对所述检测图进行分割，分割后获得多张所述分割图。

上述的人脸检测系统，所述检测单元包括，使用人脸检测模型检测 每一所述分割图中的人脸，获取所述分割图中的多个所述人脸框。

上述的人脸检测系统，所述映射单元包括，对所述人脸框进行坐标 调整，并将调整后的所述人脸框映射到所述检测图片上。

上述的人脸检测系统，所述去重单元包括，采用非极大值抑制的方法 对多个所述人脸框进行去重处理。

相比于相关技术，本发明提出一种人脸检测方法及系统，为了降 低基于深度学习技术的人脸检测模型对GPU显存占用的需求，同时 保证人脸检测任务的性能不受影响，本发明通过使用本专利提出的图 像分割方法，将图片分割技术应用到深度学习人脸检测模型中，可以 在降低人脸检测模型占用GPU显存的同时，保证模型的精度性能不 会有下降。

本申请的一个或多个实施例的细节在以下附图和描述中提出，以 使本申请的其他特征、目的和优点更加简明易懂。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请 的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构 成对本申请的不当限定。在附图中：

图1是根据本申请实施例的现有技术框架图；

图2是根据本申请实施例的分割步骤框架图；

图3是根据本申请实施例的一种人脸检测方法流程图；

图4为本发明的一种人脸检测系统的结构示意图；

图5是根据本申请实施例的电子设备的框架图。

其中，附图标记为：

分割单元：51；

检测单元：52；

映射单元：53；

去重单元：54；

81：处理器；

82：存储器；

83：通信接口；

80：总线。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合 附图及实施例，对本申请进行描述和说明。应当理解，此处所描述的 具体实施例仅仅用以解释本申请，并不用于限定本申请。基于本申请 提供的实施例，本领域普通技术人员在没有作出创造性劳动的前提下 所获得的所有其他实施例，都属于本申请保护的范围。

显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施 例，对于本领域的普通技术人员而言，在不付出创造性劳动的前提下， 还可以根据这些附图将本申请应用于其他类似情景。此外，还可以理 解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的， 然而对于与本申请公开的内容相关的本领域的普通技术人员而言，在 本申请揭露的技术内容的基础上进行的一些设计，制造或者生产等变 更只是常规的技术手段，不应当理解为本申请公开的内容不充分。

在本申请中提及“实施例”意味着，结合实施例描述的特定特征、 结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各 个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施 例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式 地理解的是，本申请所描述的实施例在不冲突的情况下，可以与其它 实施例相结合。

除非另作定义，本申请所涉及的技术术语或者科学术语应当为本 申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请 所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示 数量限制，可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形，意图在于覆盖不排他的包含；例 如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设 备没有限定于已列出的步骤或单元，而是可以还包括没有列出的步骤 或单元，或可以还包括对于这些过程、方法、产品或设备固有的其它 步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似 的词语并非限定于物理的或者机械的连接，而是可以包括电气的连 接，不管是直接的还是间接的。本申请所涉及的“多个”是指两个或 两个以上。“和/或”描述关联对象的关联关系，表示可以存在三种 关系，例如，“A和/或B”可以表示：单独存在A，同时存在A和B， 单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或” 的关系。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅 是区别类似的对象，不代表针对对象的特定排序。

本发明基于图片分割，下面进行简要的介绍。

图像处理技术是用计算机对图像信息进行处理的技术。主要包 括图像数字化、图像增强和复原、图像数据编码、图像分割和图 像识别等。图像的处理技术包括点处理、组处理、几何处理和帧处理 四种方法。处理图像最基本的方法是点处理方法，由于该方法处理的对象是像素，故此得名。点处理方法简单而有效，主要用于图像的 亮度调整、图像对比度的调整，以及图像亮度的反置处理等。图像的 组处理方法处理的范围比点处理大，处理的对象是一组像素，因此又 叫“区处理或块处理”。组处理方法在图像上的应用主要表现在：检 测图像边缘并增强边缘、图像柔化和锐化、增加和减少图像随机噪声 等。图像的几何处理方法是指经过运算，改变图像的像素位置和排列 顺序，从而实现图像的放大与缩小、图像旋转、图像镜像、以及图像 平移等效果的处理过程。图像的帧处理方法是指将一幅以上的图像以 某种特定的形式合成在一起，形成新的图像。其中，特定的形式是指： 经过“逻辑与”运算进行图像的合成、按照“逻辑或”运算关系合成、 以“异或”逻辑运算关系进行合成、图像按照相加或者相减以及有条 件的复合算法进行合成、图像覆盖或取平均值进行合成。图像处理软 件通常具有图像的帧处理功能，并且以多种特定的形式合成图像。图 像是人类获取和交换信息的主要来源，因此，图像处理的应用领域必 然涉及人类生活和工作的方方面面。包括航天和航空技术、生物医 学工程、通信工程、工业和工程、军事和公安、文化与艺术等方面。 随着人类活动范围的不断扩大，图像处理的应用领域也将随之。图片 分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴 趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。现有 的图片分割方法主要分以下几类：基于阈值的分割方法、基于区域的 分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。从数学角度来看，图片分割是将数字图像划分成互不相交的区域的过 程。图片分割的过程也是一个标记过程，即把属于同一区域的像素赋 予相同的编号。

随着计算机科学技术的不断发展，图像处理和分析逐渐形成了自 己的科学体系，新的处理方法层出不穷，尽管其发展历史不长，但却 引起各方面人士的广泛关注。首先，视觉是人类最重要的感知手段， 图像又是视觉的基础，因此，数字图像成为心理学、生理学、计算机 科学等诸多领域内的学者们研究视觉感知的有效工具。其次，图像处 理在军事、遥感、气象等大型应用中有不断增长的需求。1998年以来， 人工神经网络识别技术已经引起了广泛的关注，并且应用于图像分 割。基于神经网络的分割方法的基本思想是通过训练多层感知机来得 到线性决策函数，然后用决策函数对像素进行分类来达到分割的目 的。这种方法需要大量的训练数据。神经网络存在巨量的连接，容易 引入空间信息，能较好地解决图像中的噪声和不均匀问题。选择何种 网络结构是这种方法要解决的主要问题。图像分割是图像识别和计算 机视觉至关重要的预处理。没有正确的分割就不可能有正确的识别。但是，进行分割仅有的依据是图像中像素的亮度及颜色，由计算机自 动处理分割时，将会遇到各种困难。例如，光照不均匀、噪声的影响、 图像中存在不清晰的部分，以及阴影等，常常发生分割错误。因此图 像分割是需要进一步研究的技术。人们希望引入一些人为的知识导向 和人工智能的方法，用于纠正某些分割中的错误，是很有前途的方法， 但是这又增加了解决问题的复杂性。在通信领域中，图像分割技术对 可视电话等活动图像的传输很重要，需要把图像中活动部分与静止的 背景分开，还要把活动部分中位移量不同的区域分开，对不同运动量 的区域用不同的编码传输，以降低传输所需的码率。对图像分割算法 的研究已有几十年的历史，借助各种理论至今已提出了上千种各种类 型的分割算法。尽管人们在图像分割方面做了许多研究工作。但由于 尚无通用分割理论，因此现已提出的分割算法大都是针对具体问题 的，并没有一种适合于所有图像的通用的分割算法。但是可以看出， 图像分割方法正朝着更快速、更精确的方向发展，通过各种新理论和 新技术结合将不断取得突破和进展。

人脸检测是指对于任意一副给定的图像，采用一定的策略对其进 行搜索以确定其中是否含有人脸，如果是则返回一脸的位置、大小和 姿态。人脸检测能力现已广泛应用与互联网领域，为人类高科技生活 带来便利。人脸检测问题最初来源于人脸识别(FaceRecognition)。 人脸识别的研究可以追溯到上个世纪六、七十年代，经过几十年的曲折发展已日趋成熟。人脸检测是自动人脸识别系统中的一个关键环 节，是早期的人脸识别研究主要针对具有较强约束条件的人脸图象 (如无背景的图象)，往往假设人脸位置一直或者容易获得，因此人 脸检测问题并未收到重视。随着电子商务等应用的发展，人脸识别成 为最有潜力的生物身份验证手段，这种应用背景要求自动人脸识别系 统能够对一般图象具有一定的识别能力，由此所面临的一系列问题使 得人脸检测开始作为一个独立的课题受到研究者的重视。今天，人脸 检测的应用背景已经远远超出了人脸识别系统的范畴，在基于内容的 检索、数字视频处理、视频检测等方面有着重要的应用价值。

目前，国外对人脸检测问题的研究很多，比较著名的有MIT,CMU 等；国内的清华大学、北京工业大学、中科院计算所和自动化所等都 有人员从事人脸检测相关的研究。而且，MPEG7标准组织已经简历了 人脸识别草案小组，人脸检测算法也是一项征集的内容。随着人脸检 测研究的深入，国际上发表的有关论文数量也大幅度增长，如IEEE 的FG、ICIP\CVPR等重要国际会议上每年都有大量关于人脸检测的论 文，占有关人脸研究论文的1/3之多。由此可以看到世界对人脸检测 技术的重视。每个人都有一张脸，而且是一个人最重要的外貌特征。 这种技术目前最热门的应用领域有三个方面：第一，身份认证与安全 防护。在这个世界上，只要有门的地方几乎都带有一把锁。当然，在 许多安全级别要求较高的区域，例如金融机构、机关办公大楼、运动 场馆、甚至重要设施的工地，都需要对大量的人员进行基于身份认证 的门禁管理。手机、笔记本电脑等个人电子用品，在开机和使用中经 常要用到身份验证功能。第二，媒体与娱乐。人们的许多娱乐活动都 是跟脸部有关的。最著名的娱乐节目之一就是川剧的变脸。在网络虚 拟世界里，通过人脸的变化，可以产生大量的娱乐节目和效果。手机、 数码相机等消费电子产品中，基于人脸的娱乐项目越来越丰富。QQ、 MSN等即时通信工具以及虚拟化身网络游戏也是人脸合成技术的广阔 市场。第三，图像搜索。目前，Google的图像搜索其实还是文字搜索。 基于人脸图像识别技术的搜索引擎将会具有广泛的应用前景。第四， 协助调查。可以通过人脸检测的设备来提取并记录罪犯的人脸，提供 给公安机关以帮助破案。人脸检测能力已逐渐应用于互联网领域，开 发者通过Face++(cn.faceplusplus.com)提供的平台接口，即可 检测给定图片中的所有人脸的位置和相应的面部属性(包括性别,年 龄和人种)，满足开发应用需求。

本发明提出一种人脸检测方法及系统，为了降低基于深度学习技 术的人脸检测模型对GPU显存占用的需求，同时保证人脸检测任务 的性能不受影响，本发明通过使用本专利提出的图像分割方法，将图 片分割技术应用到深度学习人脸检测模型中，可以在降低人脸检测模 型占用GPU显存的同时，保证模型的精度性能不会有下降。

下面将人脸检测几首为例对本申请实施例进行说明。

实施例一

本实施例提供了一种人脸检测方法。请参照图1-图3，图1是根 据本申请实施例的现有技术框架图；图2是根据本申请实施例的分割 步骤框架图；图3是根据本申请实施例的一种人脸检测方法流程图, 如图所示，一种人脸检测方法，包括如下步骤：

分割步骤S1：对检测图进行分割，获取所述检测图的分割图；

检测步骤S2：对所述分割图中的人脸进行检测，获取所述分割图中的人脸 框；

映射步骤S3：将所述人脸框映射到所述检测图上；

去重步骤S4：对所述检测图的所述人脸框进行去重处理。

实施例中，所述分割步骤S1包括，在一设定方向上以一设定步长对 所述检测图进行分割，分割后获得多张所述分割图。

具体的说，分割步骤S1中，用户可以根据自身需求选择检测图片大 小，假设现在输入模型的待检测图大小为1280x1280，待检测进行分 割，如图2所示。对1280x1280的检测图，分别在水平方向和竖直方 向以步长320进行采样，采样后可以得到9张640x640大小的分割 图。

实施例中，所述检测步骤S2包括，使用人脸检测模型检测每一所 述分割图中的人脸，获取所述分割图中的多个所述人脸框。

具体的说，检测步骤S2中，使用人脸检测模型分别检测分割步骤S1中 得到的9张分割图中的人脸，每张图片可以获取到0～n个人脸框。

实施例中，所述映射步骤S3包括，对所述人脸框进行坐标调整， 并将调整后的所述人脸框映射到所述检测图片上。

具体的说，映射步骤S3中，对检测步骤S2所获得的脸框进行坐标调整，将 每个人脸框映射到原始图片1280x1280上。

实施例中，所述去重步骤S4包括，采用非极大值抑制的方法对多个所 述人脸框进行去重处理。

具体的说，去重步骤S4中，由于第一步中我们是以步长320进行 采样，这样采样到图片之间会有重叠部分，相应的检测到的人脸框也 会有重复。此时可以采用非极大值抑制的方法进行人脸框的去重。

由此，本发明提出一种人脸检测方法及系统，为了降低基于深度 学习技术的人脸检测模型对GPU显存占用的需求，同时保证人脸检 测任务的性能不受影响，本发明通过使用本专利提出的图像分割方 法，将图片分割技术应用到深度学习人脸检测模型中，可以在降低人 脸检测模型占用GPU显存的同时，保证模型的精度性能不会有下降。

实施例二

请参照图4，图4为本发明的一种人脸检测系统的结构示意图。 如图4所示，发明的一种人脸检测系统，适用于上述的人脸检测方法， 人脸检测系统包括：

分割单元61：对检测图进行分割，获取所述检测图的分割图；

检测单元62：对所述分割图中的人脸进行检测，获取所述分割图中的人脸 框；

映射单元63：将所述人脸框映射到所述检测图上；

去重单元64：对所述检测图的所述人脸框进行去重处理。

在本实施例中，所述分割单元61包括，在一设定方向上以一设定步 长对所述检测图进行分割，分割后获得多张所述分割图。

在本实施例中，所述检测单元62包括，使用人脸检测模型检测每 一所述分割图中的人脸，获取所述分割图中的多个所述人脸框。

在本实施例中，所述映射单元63包括，对所述人脸框进行坐标调 整，并将调整后的所述人脸框映射到所述检测图片上。

在本实施例中，所述去重单元64包括，采用非极大值抑制的方法对多 个所述人脸框进行去重处理。

实施例三

结合图5所示，本实施例揭示了一种电子设备的一种具体实施方式。电子 设备可以包括处理器81以及存储有计算机程序指令的存储器82。

具体地，上述处理器81可以包括中央处理器(CPU)，或者特定集成电路(Application Specific Integrated Circuit，简称为ASIC)，或者可以被 配置成实施本申请实施例的一个或多个集成电路。

其中，存储器82可以包括用于数据或指令的大容量存储器。举例来说而 非限制，存储器82可包括硬盘驱动器(Hard Disk Drive，简称为HDD)、软 盘驱动器、固态驱动器(Solid State Drive，简称为SSD)、闪存、光盘、磁 光盘、磁带或通用串行总线(UniversalSerial Bus，简称为USB)驱动器或 者两个或更多个以上这些的组合。在合适的情况下，存储器82可包括可移除或 不可移除(或固定)的介质。在合适的情况下，存储器82可在数据处理装置的 内部或外部。在特定实施例中，存储器82是非易失性(Non-Volatile)存储器。 在特定实施例中，存储器82包括只读存储器(Read-Only Memory，简称为ROM) 和随机存取存储器(Random Access Memory，简称为RAM)。在合适的情况下， 该ROM可以是掩模编程的ROM、可编程ROM(Programmable Read-Only Memory， 简称为PROM)、可擦除PROM(ErasableProgrammable Read-Only Memory，简 称为FPROM)、电可擦除PROM(ElectricallyErasable Programmable Read-Only Memory，简称为EFPROM)、电可改写ROM(ElectricallyAlterable Read-Only Memory，简称为EAROM)或闪存(FLASH)或者两个或更多个以上这些的组合。 在合适的情况下，该RAM可以是静态随机存取存储器(Static Random-AccessMemory，简称为SRAM)或动态随机存取存储器(Dynamic Random Access Memory， 简称为DRAM)，其中，DRAM可以是快速页模式动态随机存取存储器(Fast Page Mode DynamicRandom Access Memory，简称为FPMDRAM)、扩展数据输出动态 随机存取存储器(ExtendedDate Out Dynamic Random Access Memory，简称 为EDODRAM)、同步动态随机存取内存(Synchronous Dynamic Random-Access Memory，简称SDRAM)等。

存储器82可以用来存储或者缓存需要处理和/或通信使用的各种数据文 件，以及处理器81所执行的可能的计算机程序指令。

处理器81通过读取并执行存储器82中存储的计算机程序指令，以实现上 述实施例中的任意一种人脸检测方法。

在其中一些实施例中，电子设备还可包括通信接口83和总线80。其中， 如图5所示，处理器81、存储器82、通信接口83通过总线80连接并完成相互 间的通信。

通信接口83用于实现本申请实施例中各模块、装置、单元和/或设备之间 的通信。通信端口83还可以实现与其他部件例如：外接设备、图像/数据采集 设备、数据库、外部存储以及图像/数据处理工作站等之间进行数据通信。

总线80包括硬件、软件或两者，将计算机设备的部件彼此耦接在一起。 总线80包括但不限于以下至少之一：数据总线(Data Bus)、地址总线(Address Bus)、控制总线(Control Bus)、扩展总线(Expansion Bus)、局部总线(Local Bus)。举例来说而非限制，总线80可包括图形加速接口(Accelerated Graphics Port，简称为AGP)或其他图形总线、增强工业标准架构(Extended Industry Standard Architecture，简称为EISA)总线、前端总线(Front Side Bus， 简称为FSB)、超传输(Hyper Transport，简称为HT)互连、工业标准架构 (Industry Standard Architecture，简称为ISA)总线、无线带宽(InfiniBand) 互连、低引脚数(Low Pin Count，简称为LPC)总线、存储器总线、微信道架 构(Micro ChannelArchitecture，简称为MCA)总线、外围组件互连(Peripheral Component Interconnect，简称为PCI)总线、PCI-Express(PCI-X)总线、 串行高级技术附件(Serial AdvancedTechnology Attachment，简称为SATA) 总线、视频电子标准协会局部(Video ElectronicsStandards Association Local Bus，简称为VLB)总线或其他合适的总线或者两个或更多个以上这些的 组合。在合适的情况下，总线80可包括一个或多个总线。尽管本申请实施例描 述和示出了特定的总线，但本申请考虑任何合适的总线或互连。

电子设备可连接人脸检测系统，从而实现结合图1-图3描述的方法。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对 上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技 术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详 细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领 域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形 和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所 附权利要求为准。

Claims (10)

1.一种人脸检测方法，其特征在于，所述人脸检测方法包括：

分割步骤：对检测图进行分割，获取所述检测图的分割图；

检测步骤：对所述分割图中的人脸进行检测，获取所述分割图中的人脸框；

映射步骤：将所述人脸框映射到所述检测图上；

去重步骤：对所述检测图的所述人脸框进行去重处理。

2.根据权利要求1所述的人脸检测方法，其特征在于，所述分割步骤包括，在一设定方向上以一设定步长对所述检测图进行分割，分割后获得多张所述分割图。

3.根据权利要求1所述的人脸检测方法，其特征在于，所述检测步骤包括，使用人脸检测模型检测每一所述分割图中的人脸，获取所述分割图中的多个所述人脸框。

4.根据权利要求1所述的人脸检测方法，其特征在于，所述映射步骤包括，对所述人脸框进行坐标调整，并将调整后的所述人脸框映射到所述检测图片上。

5.根据权利要求1所述的人脸检测方法，其特征在于，所述去重步骤包括，采用非极大值抑制的方法对多个所述人脸框进行去重处理。

6.一种人脸检测系统，其特征在于，适用于上述权利要求1-5所述的一种人脸检测方法，包括：

分割单元：对检测图进行分割，获取所述检测图的分割图；

检测单元：对所述分割图中的人脸进行检测，获取所述分割图中的人脸框；

映射单元：将所述人脸框映射到所述检测图上；

去重单元：对所述检测图的所述人脸框进行去重处理。

7.根据权利要求6所述的人脸检测系统，其特征在于，所述分割单元包括，在一设定方向上以一设定步长对所述检测图进行分割，分割后获得多张所述分割图。

8.根据权利要求7所述的人脸检测系统，其特征在于，所述检测单元包括，使用人脸检测模型检测每一所述分割图中的人脸，获取所述分割图中的多个所述人脸框。

9.根据权利要求8所述的人脸检测系统，其特征在于，所述映射单元包括，对所述人脸框进行坐标调整，并将调整后的所述人脸框映射到所述检测图片上。

10.根据权利要求9所述的异常事件发现系统，其特征在于，所述去重单元包括，采用非极大值抑制的方法对多个所述人脸框进行去重处理。

Images