CN112633218A

CN112633218A - 人脸检测方法、装置、终端设备及计算机可读存储介质

Info

Publication number: CN112633218A
Application number: CN202011609659.9A
Authority: CN
Inventors: 曾钰胜; 刘业鹏; 庞建新
Original assignee: Ubtech Robotics Corp
Current assignee: Beijing Youbixuan Intelligent Robot Co ltd
Priority date: 2020-12-30
Filing date: 2020-12-30
Publication date: 2021-04-09
Anticipated expiration: 2040-12-30
Also published as: CN112633218B

Abstract

本申请适用于终端技术领域，尤其涉及一种人脸检测方法、装置、终端设备及计算机可读存储介质。所述人脸检测方法包括获取待检测的目标图像；将目标图像输入至训练完成的人脸检测模型进行处理，得到人脸检测模型输出的人脸检测结果。人脸检测模型为利用第一预设分辨率的第一训练图像训练得到的神经网络模型，且神经网络模型的第一网络结构对应的检测框为128*128至256*256，第二网络结构对应的检测框为32*32至64*64，第三网络结构对应的检测框为10*10至20*20。即通过调整神经网络模型的检测框大小，并利用低分辨率的训练图像进行人脸检测模型的训练，可提升对小人脸的召回率，提高终端设备对小人脸的检出率。

Description

人脸检测方法、装置、终端设备及计算机可读存储介质

技术领域

本申请属于终端技术领域，尤其涉及一种人脸检测方法、装置、终端设备及计算机可读存储介质。

背景技术

人脸检测是人脸识别、人脸属性识别、人脸表情识别、口罩佩戴识别等应用的基础。目前，一般是通过在性能较好的服务器端部署较深较复杂的神经网络模型来进行人脸检测。而随着机器人等终端设备的发展，在机器人等终端设备进行人脸检测逐渐成为发展趋势。但由于机器人等终端设备的性能限制，在机器人等终端设备中进行人脸检测时，往往需要降低所部署的神经网络模型的深度和/或复杂度等，导致在机器人等终端设备中所进行的人脸检测往往只能检测出短距离内的大人脸，而对于长距离的小人脸则存在检出率较低的问题，无法满足机器人等终端设备的人脸检测需求。

发明内容

本申请实施例提供了一种人脸检测方法、装置、终端设备及计算机可读存储介质，可以有效解决终端设备所进行的人脸检测对小人脸存在检出率较低的问题。

第一方面，本申请实施例提供了一种人脸检测方法，应用于终端设备，所述人脸检测方法，可以包括：

获取待检测的目标图像；

将所述目标图像输入至训练完成的人脸检测模型进行处理，得到所述人脸检测模型输出的人脸检测结果；

其中，所述人脸检测模型为利用第一预设分辨率的第一训练图像训练得到的神经网络模型，所述第一预设分辨率小于640*640，所述神经网络模型为基于retinaface网络结构的神经网络模型，所述retinaface网络结构包括第一网络结构、第二网络结构和第三网络结构，所述第一网络结构、所述第二网络结构和所述第三网络结构的主干网络均为轻量级神经网络，所述第一网络结构对应的检测框为128*128至256*256，所述第二网络结构对应的检测框为32*32至64*64，所述第三网络结构对应的检测框为10*10至20*20。

示例性的，所述第一预设分辨率为320*320。

在第一方面的一种可能的实现方式中，所述人脸检测模型通过下述步骤训练得到：

获取所述第一预设分辨率的第一训练图像和第二预设分辨率的第二训练图像，所述第二预设分辨率高于所述第一预设分辨率；

利用所述第一训练图像对初始人脸检测模型进行训练，得到训练完成的初始人脸检测模型；

利用所述第二训练图像对所述训练完成的初始人脸检测模型进行训练，得到训练完成的所述人脸检测模型。

可选地，所述轻量级神经网络为mobilenet网络或fmobileface网络。

在第一方面的一种可能的实现方式中，所述将所述目标图像输入至训练完成的人脸检测模型进行处理，得到所述人脸检测模型输出的人脸检测结果，可以包括：

将所述目标图像输入至训练完成的人脸检测模型进行处理，得到所述人脸检测模型输出的初始检测结果；

将所述初始检测结果输入至训练完成的人脸校准模型进行处理，得到所述人脸校准模型输出的校准结果；

当所述校准结果为所述初始检测结果包含人脸时，将所述初始检测结果确定为所述人脸检测模型输出的人脸检测结果；

当所述校准结果为所述初始检测结果不包含人脸时，将预设检测结果确定为所述人脸检测模型输出的人脸检测结果，所述预设检测结果为未检测到人脸的检测结果。

应理解，所述人脸校准模型为基于轻量级神经网络的分类模型。

第二方面，本申请实施例提供了一种人脸检测装置，应用于终端设备，所述人脸检测装置，可以包括：

目标图像获取模块，用于获取待检测的目标图像；

人脸检测模块，用于将所述目标图像输入至训练完成的人脸检测模型进行处理，得到所述人脸检测模型输出的人脸检测结果；

示例性的，所述第一预设分辨率为320*320。

在第二方面的一种可能的实现方式中，所述人脸检测装置，还可以包括：

训练图像获取模块，用于获取所述第一预设分辨率的第一训练图像和第二预设分辨率的第二训练图像，所述第二预设分辨率高于所述第一预设分辨率；

第一训练模块，用于利用所述第一训练图像对初始人脸检测模型进行训练，得到训练完成的初始人脸检测模型；

第二训练模块，用于利用所述第二训练图像对所述训练完成的初始人脸检测模型进行训练，得到训练完成的所述人脸检测模型。

在第二方面的一种可能的实现方式中，所述人脸检测模块，可以包括：

人脸检测单元，用于将所述目标图像输入至训练完成的人脸检测模型进行处理，得到所述人脸检测模型输出的初始检测结果；

结果校准单元，用于将所述初始检测结果输入至训练完成的人脸校准模型进行处理，得到所述人脸校准模型输出的校准结果；

第一检测结果确定单元，用于当所述校准结果为所述初始检测结果包含人脸时，将所述初始检测结果确定为所述人脸检测模型输出的人脸检测结果；

第二检测结果确定单元，用于当所述校准结果为所述初始检测结果不包含人脸时，将预设检测结果确定为所述人脸检测模型输出的人脸检测结果，所述预设检测结果为未检测到人脸的检测结果。

第三方面，本申请实施例提供了一种终端设备，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，所述处理器执行所述计算机程序时实现上述第一方面中任一项所述的人脸检测方法。

第四方面，本申请实施例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，所述计算机程序被处理器执行时实现上述第一方面中任一项所述的人脸检测方法。

第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面中任一项所述的人脸检测方法。

可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。

本申请实施例与现有技术相比存在的有益效果是：

本申请实施例，通过在终端设备部署人脸检测模型来实现对小人脸的实时检测。其中，终端设备中部署的人脸检测模型为利用第一预设分辨率的第一训练图像训练得到的神经网络模型，第一预设分辨率小于640*640，神经网络模型为基于retinaface网络结构的神经网络模型，retinaface网络结构可以包括第一网络结构、第二网络结构和第三网络结构，第一网络结构、第二网络结构和第三网络结构的主干网络均为轻量级神经网络，第一网络结构对应的检测框为128*128至256*256，第二网络结构对应的检测框为32*32至64*64，第三网络结构对应的检测框为10*10至20*20。即本申请实施例通过调整轻量级神经网络的检测框大小，并利用低分辨率的训练图像进行人脸检测模型的训练，来有效提升人脸检测模型对小人脸的召回率，提高终端设备对小人脸的检出率，以满足终端设备的人脸检测需求，具有较强的易用性和实用性。

附图说明

为了更清楚地说明本申请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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本申请实施例提供的人脸检测方法的流程示意图；

图2是本申请实施例提供的人脸检测方法所使用的网络结构的示意图；

图3是本申请实施例提供的人脸检测模型的训练示意图；

图4是本申请实施例提供的人脸检测方法在一个应用场景下确定人脸检测结果的示例图；

图5是本申请实施例提供的人脸检测装置的结构示意图；

图6是本申请实施例提供的终端设备的结构示意图。

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，以便透彻理解本申请实施例。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申请。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申请的描述。

应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。

另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。

目前的人脸检测一般是适用于性能较好的服务器端，即在服务器端部署较深较复杂的神经网络模型，并使用分辨率在640*640以上的训练图像对神经网络模型进行训练，然后通过训练后的神经网络模型来进行人脸检测。而随着机器人等终端设备的快速发展，在机器人等终端设备进行人脸检测逐渐成为发展趋势。但由于机器人等终端设备的性能限制，将服务器端所部署的神经网络模型应用于机器人等终端设备进行人脸检测时，人脸的检测速度较低，无法实现人脸的实时检测。而为确保机器人等终端设备能实现人脸的实时检测，则需要降低机器人等终端设备中所部署的神经网络模型的深度和/或复杂度等，即在机器人等终端设备所部署的神经网络模型需为基于轻量级神经网络的模型，且所使用的训练图像需为分辨率较低的图像，从而导致机器人等终端设备所进行的人脸检测往往只能检测出短距离内的大人脸，而对于长距离的小人脸则存在检出率较低的问题，无法满足机器人等终端设备的人脸检测需求。

为了解决上述问题，本申请实施例提供了一种人脸检测方法、装置、终端设备及计算机可读存储介质，通过在终端设备部署人脸检测模型来实现对小人脸的实时检测。其中，终端设备中部署的人脸检测模型为利用第一预设分辨率的第一训练图像训练得到的神经网络模型，第一预设分辨率小于640*640，神经网络模型为基于retinaface网络结构的神经网络模型，retinaface网络结构可以包括第一网络结构、第二网络结构和第三网络结构，第一网络结构、第二网络结构和第三网络结构的主干网络均为轻量级神经网络，第一网络结构对应的检测框为128*128至256*256，第二网络结构对应的检测框为32*32至64*64，第三网络结构对应的检测框为10*10至20*20。即本申请实施例通过调整人脸检测模型所使用的轻量级神经网络的检测框大小，并利用低分辨率的训练图像进行人脸检测模型的训练，来有效提升人脸检测模型对小人脸的召回率，提高终端设备对小人脸的检出率，以满足终端设备的人脸检测需求，具有较强易用性和实用性。

图1示出了本申请实施例提供的人脸检测方法的示意性流程图，其中，所述人脸检测方法可以应用于机器人、手机、平板电脑等终端设备，本申请实施例对终端设备的具体类型不作任何限制，以下将以终端设备为机器人为例进行示例性说明。如图1所示，所述人脸检测方法可以包括：

S101、获取待检测的目标图像；

本申请实施例中，可以在需要进行人脸检测的目标场所安装与机器人通信连接的摄像头，所述摄像头可以用于对所述目标场所进行图像采集，并可以将所采集的图像作为待检测的目标图像发送至所述机器人，以使所述机器人对所述目标图像进行人脸检测。或者，可以直接将集成有摄像头的机器人放置于所述目标场所。当所述机器人启动工作后，所述机器人可以直接通过自身的摄像头获取所述目标场所对应的待检测的目标图像，并根据所述目标图像来进行人脸检测。其中，所述目标图像可以为包含人脸的图像，也可以为不包含人脸的图像。

S102、将所述目标图像输入至训练完成的人脸检测模型进行处理，得到所述人脸检测模型输出的人脸检测结果。

具体地，所述机器人内可部署有训练完成的人脸检测模型。当所述机器人获取到所述目标图像后，所述机器人可以将所述目标图像输入至所述人脸检测模型进行处理，得到所述人脸检测模型输出的人脸检测结果。其中，所述人脸检测结果可以为不包含人脸的检测结果；也可以为包含人脸，且在所述目标图像中框选出人脸区域的检测结果。

本申请实施例中，所述人脸检测模型可以为利用第一预设分辨率的第一训练图像训练得到的神经网络模型，所述第一预设分辨率可以小于640*640。可选的，所述第一预设分辨率可以为320*320，以通过低分辨率的训练图像进行所述人脸检测模型的训练，使得所述人脸检测模型可以学习到小人脸的人脸特征，以提升所述人脸检测模型对小人脸的召回率，从而使得所述机器人可以进行小人脸的检测，提高所述机器人对小人脸的检出率。

应理解，所述神经网络模型可以为基于retinaface网络结构的神经网络模型。如图2所示，所述retinaface网络结构可以包括第一网络结构stage1、第二网络结构stage2和第三网络结构stage3。其中，stage1、stage2和stage3的主干网络backbone均可以为轻量级神经网络。示例性的，stage1、stage2和stage3的backbone均可以为mobilenet网络或fmobileface网络。可选的，stage1、stage2和stage3的backbone可以为mobilenetv1x0.25。

示例性的，stage1对应的检测框anchor可以为128*128至256*256，例如可以为128*128和256*256；stage2对应的anchor可以为32*32至64*64，例如可以为32*32和64*64；stage3对应的anchor可以为10*10至20*20，例如可以为10*10和20*20，以通过调整所述人脸检测模型所使用的轻量级神经网络(即stage1、stage2和stage3)的anchor大小，使得所述人脸检测模型可以获取到小人脸的人脸特征，以实现对小人脸的检测，从而提高所述机器人对小人脸的检出率。

需要说明的是，所述retinaface网络结构还可以包括特征金字塔网络(featurepyramid network，FPN)和上下文模块(context module)。其中，FPN与stage1、stage2和stage3相连，所述上下文模块与FPN相连。应理解，stage1、stage2、stage3、FPN以及所述上下文模块的具体结构和功能与现有retinaface网络结构中的结构和功能相同，本申请实施例对此不再赘述。

在此，根据检测结果显示，所述人脸检测模型可以有效检测出9米以内的人脸，而现有的人脸检测模型只可以检测出5米以内的人脸。即本申请实施例中，通过调整所述人脸检测模型所使用的轻量级神经网络的检测框大小，并利用低分辨率的训练图像进行所述人脸检测模型的训练，可有效提升所述人脸检测模型对小人脸的召回率，极大地提高机器人对小人脸的检出率，满足机器人的人脸检测需求，具有较强易用性和实用性。

由图2可知，小人脸的检测是来源于stage1的浅层特征和FPN的上采样特征，依靠stage1的浅层特征是不足以支撑小人脸的检测的，因此，当小人脸容易召回时，说明FPN中的P4层和P5层的上采样特征起到关键作用。其中，FPN中的P4层与stage2对应，P5层与stage3对应，而stage2对应的anchor为32*32和64*64，stage3对应的anchor为10*10和20*20，且stage2和stage3均轻量级神经网络，所述人脸检测模型对应的训练图像均为低分辨率的图像，从而使得P4层和P5层很可能会上采样得到一些模糊的特征，使得学到的可能并不是人脸的本质，从而造成所述人脸检测模型的误检。

本申请实施例中，可以将所述人脸检测模型中stage1、stage2和stage3的backbone优选为mobilenetv3_small或fmobileface网络，以使得所述人脸检测模型可以学习到区分度特征，从而在确保所述人脸检测模型具有高召回率的基础上，降低所述人脸检测模型的误检率。

可选地，本申请实施例中，还可以通过高分辨率的训练图像对利用低分辨率训练得到的初始人脸检测模型进行微调finetune，以在确保所述人脸检测模型具有高召回率的基础上，降低所述人脸检测模型的误检率。具体地，如图3所示，所述人脸检测模型的训练过程如下：

S301、获取所述第一预设分辨率的第一训练图像和第二预设分辨率的第二训练图像，所述第二预设分辨率高于所述第一预设分辨率；

S302、利用所述第一训练图像对初始人脸检测模型进行训练，得到训练完成的初始人脸检测模型；

S303、利用所述第二训练图像对所述训练完成的初始人脸检测模型进行训练，得到训练完成的所述人脸检测模型。

对于上述S301至S303，本申请实施例中，可以先用低分辨率的第一训练图像进行初始人脸检测模型的训练，确保小人脸的检测率。然后可以利用高分辨率的第二训练图像来finetune所述初始人脸检测模型，得到机器人最终进行检测的人脸检测模型，降低人脸检测模型的误检率，平衡人脸检测模型高召回率和低误检率之间的关系，以使得机器人可以在具有高召回率的基础上，还可以具有较低的误检率。

为降低所述人脸检测模型的误检率，本申请实施例中，还可以去除第一训练图像和/或第二训练图像中非常模糊的难例，减少所述人脸检测模型对模糊特征的学习，以使得所述人脸检测模型可以学习到区分度特征，降低所述人脸检测模型的误检率。

应理解，本申请实施例中，虽然提高了所述人脸检测模型的误检率，但所述人脸检测模型仍不可避免的会存在一些误检，为减少误检的输出，以提升用户体验。本申请实施例还可以在机器人中部署人脸校准模型，所述人脸校准模型可以用于对所述人脸检测模型输出的人脸检测结果进行校准。具体地，如图4所示，所述将所述目标图像输入至训练完成的人脸检测模型进行处理，得到所述人脸检测模型输出的人脸检测结果，可以包括：

S401、将所述目标图像输入至训练完成的人脸检测模型进行处理，得到所述人脸检测模型输出的初始检测结果；

S402、将所述初始检测结果输入至训练完成的人脸校准模型进行处理，得到所述人脸校准模型输出的校准结果；

S403、当所述校准结果为所述初始检测结果包含人脸时，将所述初始检测结果确定为所述人脸检测模型输出的人脸检测结果；

S404、当所述校准结果为所述初始检测结果不包含人脸时，将预设检测结果确定为所述人脸检测模型输出的人脸检测结果，所述预设检测结果为未检测到人脸的检测结果。

对于上述S401至S404，机器人在将所述目标图像输入至所述人脸检测模型进行处理，得到所述人脸检测模型输出的初始检测结果后，还可以将所述初始检测结果输入至所述人脸校准模型进行处理。当所述人脸校准模型确定所述初始检测结果中包含人脸时，所述机器人则可以确定所述人脸检测模型有效检出人脸，此时所述机器人即可以将所述人脸检测模型检出的初始检测结果作为最终的人脸检测结果输出给用户。当所述人脸校准模型确定所述初始检测结果中不包含人脸时，所述机器人则可以确定所述人脸检测模型未检出人脸，即可以确定所述初始检测结果为误检，此时所述机器人即可以将预设检测结果(未检测到人脸的检测结果)作为最终的人脸检测结果输出给用户。

需要说明的是，所述人脸校准模型可以为一个二分类模型，分类结果可以包括包含人脸和不包含人脸两种。其中，所述人脸校准模型可以为基于shufflenetv2x0.25网络结构的神经网络模型。所述人脸校准模型的训练图像可以包括正样本和负样本，且正样本和负样本的比例可以1:1.5，正样本可以为包含正常人脸的图像，负样本则可以为后脑勺、手、人脸检测不全、衣服等容易造成误检的图像，以通过常见的误检图像来训练所述人脸校准模型，使得所述人脸校准模型可有效过滤出所述人脸检测模型所检测出的误检，以避免机器人输出误检，提升用户体验，具有较强的实用性。

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，而不应对本申请实施例的实施过程构成任何限定。

对应于上文实施例所述的人脸检测方法，图5示出了本申请实施例提供的人脸检测装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。

参照图5，所述人脸检测装置，应用于终端设备，所述人脸检测装置，可以包括：

目标图像获取模块501，用于获取待检测的目标图像；

人脸检测模块502，用于将所述目标图像输入至训练完成的人脸检测模型进行处理，得到所述人脸检测模型输出的人脸检测结果；

示例性的，所述第一预设分辨率为320*320。

在一种可能的实现方式中，所述人脸检测装置，还可以包括：

在一种可能的实现方式中，所述人脸检测模块502，可以包括：

需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。

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。

图6为本申请一实施例提供的终端设备的结构示意图。如图6所示，该实施例的终端设备6包括：至少一个处理器60(图6中仅示出一个)、存储器61以及存储在所述存储器61中并可在所述至少一个处理器60上运行的计算机程序62，所述处理器60执行所述计算机程序62时实现上述任意各个**方法实施例中的步骤。

所述终端设备6可以是机器人、手机、笔记本、掌上电脑等。该终端设备可包括，但不仅限于，处理器60、存储器61。本领域技术人员可以理解，图6仅仅是终端设备6的举例，并不构成对终端设备6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，例如还可以包括输入输出设备、网络接入设备等。

所称处理器60可以是中央处理单元(Central Processing Unit，CPU)，该处理器60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)、现场可编程门阵列(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61在一些实施例中可以是所述终端设备6的内部存储单元，例如终端设备6的硬盘或内存。所述存储器61在另一些实施例中也可以是所述终端设备6的外部存储设备，例如所述终端设备6上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器61还可以既包括所述终端设备6的内部存储单元也包括外部存储设备。所述存储器61用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器61还可以用于暂时地存储已经输出或者将要输出的数据。

本申请实施例还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，所述计算机程序被处理器执行时实现上述各个方法实施例中的步骤。

本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行时实现上述各个方法实施例中的步骤。

所述集成的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存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述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。所述计算机可读存储介质至少可包括：能够将计算机程序代码携带到装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random AccessMemory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读存储介质不可以是电载波信号和电信信号。

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申请的范围。

在本申请所提供的实施例中，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。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims

1.一种人脸检测方法，其特征在于，应用于终端设备，所述人脸检测方法包括：

获取待检测的目标图像；

将所述目标图像输入至训练完成的人脸检测模型进行处理，得到所述人脸检测模型输出的人脸检测结果；其中，所述人脸检测模型为利用第一预设分辨率的第一训练图像训练得到的神经网络模型，所述第一预设分辨率小于640*640，所述神经网络模型为基于retinaface网络结构的神经网络模型，所述retinaface网络结构包括第一网络结构、第二网络结构和第三网络结构，所述第一网络结构、所述第二网络结构和所述第三网络结构的主干网络均为轻量级神经网络，所述第一网络结构对应的检测框为128*128至256*256，所述第二网络结构对应的检测框为32*32至64*64，所述第三网络结构对应的检测框为10*10至20*20。

2.如权利要求1所述的人脸检测方法，其特征在于，所述第一预设分辨率为320*320。

3.如权利要求1所述的人脸检测方法，其特征在于，所述人脸检测模型通过下述步骤训练得到：

4.如权利要求1所述的人脸检测方法，其特征在于，所述轻量级神经网络为mobilenet网络或fmobileface网络。

5.如权利要求1至4中任一项所述的人脸检测方法，其特征在于，所述将所述目标图像输入至训练完成的人脸检测模型进行处理，得到所述人脸检测模型输出的人脸检测结果，包括：

6.如权利要求5所述的人脸检测方法，其特征在于，所述人脸校准模型为基于轻量级神经网络的分类模型。

7.一种人脸检测装置，其特征在于，应用于终端设备，所述人脸检测装置包括：

目标图像获取模块，用于获取待检测的目标图像；

8.如权利要求7所述的人脸检测装置，其特征在于，所述人脸检测装置还包括：

9.一种终端设备，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6任一项所述的人脸检测方法。

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6任一项所述的人脸检测方法。