CN114708633A - 人脸图像检测模型训练方法、人脸图像检测方法及装置 - Google Patents

Abstract

本公开涉及一种人脸图像检测模型训练方法、人脸图像检测方法及装置。训练方法包括：获取清晰人脸区域数据集；根据预设的模糊化信息，为清晰人脸区域数据集中的人脸区域图片分配模糊化评分，并根据模糊化评分调用模糊化方法对人脸区域图片进行模糊化处理，获得模糊化图片；通过模糊化图片，训练人脸图像检测模型。检测方法包括：获取待检测人脸图像；根据待检测人脸图像，获取人脸区域数据；将人脸区域数据输入人脸图像检测模型，获得检测结果。通过本公开的方案，可以获得多样化的模糊化图片，并且通过在线获得的模糊化图片对人脸图像检测模型进行训练，可以训练出能够对人脸图像进行更准确且更全面地模糊度检测的人脸图像检测模型。

Description

人脸图像检测模型训练方法、人脸图像检测方法及装置

技术领域

本公开一般地涉及图像处理技术领域。更具体地，本公开涉及人脸图像检测模型训练方法、人脸图像检测方法及装置。

背景技术

目前，人脸图像检测应用的领域越来越广泛，人脸图像可以以图片、照片等载体呈现，出于对图像是否清晰的考虑，在应用这些人脸图像时，需要谨慎，而在应用之前对人脸图像进行检测以判断人脸图像是否模糊是必要的。

在传统的人脸图像检测方法中，通常使用例如拉普拉斯算子的方法，仅使用边缘来判断人脸是否模糊，这些方法通常不能准确地判断整个人脸图像是否模糊。

发明内容

为了至少部分地解决背景技术中提到的技术问题，本公开的方案提供了一种人脸图像检测模型训练方法、人脸图像检测方法及装置。

根据本公开的第一方面，本公开提供一种人脸图像检测模型训练方法，其中，所述方法包括：获取第一清晰人脸区域数据集；根据预设的模糊化信息，为所述第一清晰人脸区域数据集中的人脸区域图片分配模糊化评分，并根据所述模糊化评分调用模糊化方法对所述人脸区域图片进行模糊化处理，获得模糊化图片，其中所述预设的模糊化信息包括多个模糊化评分、与每个模糊化评分对应的多种模糊化参数、与每种模糊化参数对应的一种模糊化方法，所述模糊化评分是图片模糊化后的评分，所述模糊化方法是用于对图片进行模糊化的方法，所述模糊化参数是所述模糊化方法为了获得所述模糊化后的评分所使用的模糊化参数；通过所述模糊化图片，训练所述人脸图像检测模型。

可选的，所述获取第一清晰人脸区域数据集包括：获取预设清晰人像数据集；根据所述预设清晰人像数据集，通过人脸检测算法获得所述第一清晰人脸区域数据集。

可选的，所述预设清晰人像数据集包括自建数据集。

可选的，所述根据所述预设清晰人像数据集，通过人脸检测算法获得所述第一清晰人脸区域数据集包括：通过所述人脸检测算法检测出所述预设清晰人像数据集中每张人像的人脸框；截取全部所述人脸框作为所述第一清晰人脸区域数据集。

可选的，所述根据预设的模糊化信息，为所述第一清晰人脸区域数据集中的人脸区域图片分配模糊化评分，并根据所述模糊化评分调用模糊化方法对所述人脸区域图片进行模糊化处理，获得模糊化图片包括：针对所述人脸区域图片，根据所述预设的模糊化信息随机选择一个所述模糊化评分；根据随机选择的模糊化评分在与其对应的多种模糊化参数中随机选择一种模糊化参数；根据随机选择的模糊化参数，配置对应的模糊化方法，以对所述人脸区域图片进行模糊化处理而获得所述模糊化图片。

可选的，在根据预设的模糊化信息，为所述第一清晰人脸区域数据集中的人脸区域图片分配模糊化评分，并根据所述模糊化评分调用模糊化方法对所述人脸区域图片进行模糊化处理，获得模糊化图片之前，所述方法还包括：创建所述预设的模糊化信息。

可选的，所述创建所述预设的模糊化信息包括：获取第二清晰人脸区域数据集；确定对所述第二清晰人脸区域数据集进行模糊化处理的多种模糊化方法；使用所述多种模糊化方法中的任一种模糊化方法对所述第二清晰人脸区域数据集进行模糊化处理，获得模糊化图片作为基准模糊化图片；根据预设评分规则，在所述基准模糊化图片中确定待评分图片并进行评分，获得基准评分后图片；根据所述基准评分后图片，确定所述任一种模糊化方法在获得所述基准评分后图片时所使用的参数作为基准参数；使用所述多种模糊化方法中的未使用的模糊化方法对所述第二清晰人脸区域数据集进行模糊化处理，获得模糊化图片作为相对模糊化图片；以所述基准评分后图片为基准，在所述相对模糊化图片中确定与所述基准评分后图片相同模糊度的图片并给予相同的评分，获得相对评分后图片；根据所述相对评分后图片，确定与其对应的模糊化方法在获得所述相对评分后图片时所使用的参数作为相对参数；将所述基准评分后图片的评分作为所述模糊化评分，将所述基准参数和所述相对参数作为模糊化参数，并且根据所述模糊化评分、所述模糊化参数以及对应的模糊化方法，确定所述预设的模糊化信息。

可选的，所述模糊化方法包括下采样模糊法、神经网络模糊法、高斯模糊法、中值滤波模糊法和马赛克模糊法。

可选的，所述神经网络模糊法包括利用预设图像生成模型的模糊法。

根据本公开的第二方面，本公开提供一种人脸图像检测方法，其中，所述方法包括：获取待检测人脸图像；根据所述待检测人脸图像，获取人脸区域数据；将所述人脸区域数据输入人脸图像检测模型，获得所述待检测人脸图像的人脸图像检测结果，其中所述人脸图像检测模型通过上述人脸图像检测模型训练方法训练得到。

可选的，所述人脸图像检测方法还包括：根据所述人脸图像检测结果中的评分和与所述评分对应的置信度值，进行细化评分。

根据本公开的第三方面，本公开提供一种人脸图像检测模型训练装置，其中，所述装置包括：第一获取模块，其用于获取第一清晰人脸区域数据集；模糊化模块，其用于根据预设的模糊化信息，为所述第一清晰人脸区域数据集中的人脸区域图片分配模糊化评分，并根据所述模糊化评分调用模糊化方法对所述人脸区域图片进行模糊化处理，获得模糊化图片，其中所述预设的模糊化信息包括多个模糊化评分、与每个模糊化评分对应的多种模糊化参数、与每种模糊化参数对应的一种模糊化方法，所述模糊化评分是图片模糊化后的评分，所述模糊化方法是用于对图片进行模糊化的方法，所述模糊化参数是所述模糊化方法为了获得所述模糊化后的评分所使用的模糊化参数；训练模块，其用于通过所述模糊化图片，训练所述人脸图像检测模型。

可选的，所述第一获取模块用于采取如下方式获取第一清晰人脸区域数据集：获取预设清晰人像数据集；根据所述预设清晰人像数据集，通过人脸检测算法获得所述第一清晰人脸区域数据集。

可选的，所述预设清晰人像数据集包括自建数据集。

可选的，所述第一获取模块用于采取如下方式根据所述预设清晰人像数据集，通过人脸检测算法获得所述第一清晰人脸区域数据集：通过所述人脸检测算法检测出所述预设清晰人像数据集中每张人像的人脸框；截取全部所述人脸框作为所述第一清晰人脸区域数据集。

可选的，所述模糊化模块用于采取如下方式根据预设的模糊化信息，为所述第一清晰人脸区域数据集中的人脸区域图片分配模糊化评分，并根据所述模糊化评分调用模糊化方法对所述人脸区域图片进行模糊化处理，获得模糊化图片：针对所述人脸区域图片，根据所述预设的模糊化信息随机选择一个所述模糊化评分；根据随机选择的模糊化评分在与其对应的多种模糊化参数中随机选择一种模糊化参数；根据随机选择的模糊化参数，配置对应的模糊化方法，以对所述人脸区域图片进行模糊化处理而获得所述模糊化图片。

可选的，所述人脸图像检测模型训练装置还包括：创建模块，其用于创建所述预设的模糊化信息。

可选的，所述创建模块用于采取如下方式创建所述预设的模糊化信息：获取第二清晰人脸区域数据集；确定对所述第二清晰人脸区域数据集进行模糊化处理的多种模糊化方法；使用所述多种模糊化方法中的任一种模糊化方法对所述第二清晰人脸区域数据集进行模糊化处理，获得模糊化图片作为基准模糊化图片；根据预设评分规则，在所述基准模糊化图片中确定待评分图片并进行评分，获得基准评分后图片；根据所述基准评分后图片，确定所述任一种模糊化方法在获得所述基准评分后图片时所使用的参数作为基准参数；使用所述多种模糊化方法中的未使用的模糊化方法对所述第二清晰人脸区域数据集进行模糊化处理，获得模糊化图片作为相对模糊化图片；以所述基准评分后图片为基准，在所述相对模糊化图片中确定与所述基准评分后图片相同模糊度的图片并给予相同的评分，获得相对评分后图片；根据所述相对评分后图片，确定与其对应的模糊化方法在获得所述相对评分后图片时所使用的参数作为相对参数；将所述基准评分后图片的评分作为所述模糊化评分，将所述基准参数和所述相对参数作为模糊化参数，并且根据所述模糊化评分、所述模糊化参数以及对应的模糊化方法，确定所述预设的模糊化信息。

可选的，所述模糊化方法包括下采样模糊法、神经网络模糊法、高斯模糊法、中值滤波模糊法和马赛克模糊法。

可选的，所述神经网络模糊法包括利用预设图像生成模型的模糊法。

根据本公开的第四方面，本公开提供一种人脸图像检测装置，其中，所述装置包括：第二获取模块，其用于获取待检测人脸图像；第三获取模块，其用于根据所述待检测人脸图像，获取人脸区域数据；检测模块，其用于将所述人脸区域数据输入人脸图像检测模型，获得所述待检测人脸图像的人脸图像检测结果，其中所述人脸图像检测模型通过上述人脸图像检测模型训练装置训练得到。

可选的，所述人脸图像检测装置还包括：细化评分模块，其用于根据所述人脸图像检测结果中的评分和与所述评分对应的置信度值，进行细化评分。

根据本公开的第五方面，本公开提供一种电子设备，其中，所述电子设备包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时，实现上述本公开的第一方面的方法或实现上述本公开的第二方面的方法。

根据本公开的第六方面，本公开提供一种计算机可读存储介质，其中，所述存储介质存储有计算机程序，所述计算机程序被执行时，实现上述本公开的第一方面的方法或实现上述本公开的第二方面的方法。

通过本公开的人脸图像检测模型训练方法，可以通过对大量清晰人脸图像分配不同的评分并使用不同的模糊化方法进行不同的模糊化处理，获得多样化的模糊化图片，并且通过在线获得的模糊化图片对人脸图像检测模型进行训练，由此可以训练出能够对整个人脸图像进行更准确且更全面地模糊度检测的人脸图像检测模型，有效地提高了人脸图像模糊度检测模型的泛化性能。

附图说明

通过参考附图阅读下文的详细描述，本公开示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本公开的若干实施方式，并且相同或对应的标号表示相同或对应的部分其中：

图1是示出根据本公开的一个实施例的人脸图像检测模型训练方法的流程图；

图2是示出根据本公开的另一实施例的人脸图像检测模型训练方法的流程图；

图3是示出根据本公开的一个实施例的预设图像生成模型的架构图；

图4是示出根据本公开的一个实施例的预设图像生成模型中的细节特征加密单元的架构图；

图5是示出根据本公开的一个实施例的预设图像生成模型中的通用特征加密单元的架构图；

图6是示出根据本公开的一个实施例的人脸图像检测方法的流程图；

图7是示出根据本公开的另一实施例的人脸图像检测方法的流程图；

图8是示出根据本公开的一个实施例的人脸图像检测模型训练装置的示意性框图；

图9是示出根据本公开的另一实施例的人脸图像检测模型训练装置的示意性框图；

图10是示出根据本公开的一个实施例的人脸图像检测装置的示意性框图；

图11是示出根据本公开的另一实施例的人脸图像检测装置的示意性框图。

具体实施方式

下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。

下面结合附图来详细描述本公开的具体实施方式。

本公开提供一种人脸图像检测模型训练方法。参照图1，图1是示出根据本公开的一个实施例的人脸图像检测模型训练方法的流程图。如图1中所示，所述人脸图像检测模型训练方法包括以下步骤S101-S103。步骤S101：获取第一清晰人脸区域数据集。步骤S102：根据预设的模糊化信息，为所述第一清晰人脸区域数据集中的人脸区域图片分配模糊化评分，并根据所述模糊化评分调用模糊化方法对所述人脸区域图片进行模糊化处理，获得模糊化图片。其中所述预设的模糊化信息包括多个模糊化评分、与每个模糊化评分对应的多种模糊化参数、与每种模糊化参数对应的一种模糊化方法，所述模糊化评分是图片模糊化后的评分，所述模糊化方法是用于对图片进行模糊化的方法，所述模糊化参数是所述模糊化方法为了获得所述模糊化后的评分所使用的模糊化参数。步骤S103：通过所述模糊化图片，训练所述人脸图像检测模型。

通过本公开的人脸图像检测模型训练方法，可以通过对大量清晰人脸图像分配不同的评分并使用不同的模糊化方法进行不同的模糊化处理，获得多样化的模糊化图片，并且通过在线获得的模糊化图片对人脸图像检测模型进行训练，由此可以训练出能够对整个人脸图像进行更准确且更全面地模糊度检测的人脸图像检测模型，有效地提高了人脸图像检测模型的泛化性能。

在步骤S101中，可以获取第一清晰人脸区域数据集。

根据本公开的实施例，所述人脸图像检测模型是用于检测人脸模糊度的分类模型，在使用该模型检测人脸模糊之前，需要对该模型进行训练。为了训练人脸图像检测模型，首先需要获取清晰人脸区域数据集，该清晰人脸区域数据集例如可以为高清图片数据集。

在一个实施例中，所述获取第一清晰人脸区域数据集可以包括：获取预设清晰人像数据集；根据所述预设清晰人像数据集，通过人脸检测算法获得所述第一清晰人脸区域数据集。其中，所述预设清晰人像数据集可以包括自建数据集，该自建数据集的规模例如可以约为5万张，当然还可以包括其它任何适用的数据集。此外，预设清晰人像数据集中的人像可以包括含有人脸图像的照片，图片等。在获取预设清晰人像数据集之后，可以通过人脸检测算法从每张人像中提取人脸区域从而形成人脸区域数据集。值得注意的是，预设清晰人像数据集中的自建数据集为清晰图片数据集，例如都为高清图片数据集，并且通过人脸检测算法提取的人脸区域数据集为清晰图片数据集，例如高清图片数据集。

具体地，所述根据所述预设清晰人像数据集，通过人脸检测算法获得所述第一清晰人脸区域数据集包括：通过所述人脸检测算法检测出所述预设清晰人像数据集中每张人像的人脸框；截取全部所述人脸框作为所述第一清晰人脸区域数据集。其中，所述人脸检测算法可以包括通用的目标检测算法，例如yolo系列算法、CenterNet等，或者专门的人脸检测算法，例如MTCNN、CenterFace、PCN等，在此不做限定。利用人脸检测算法对预设清晰人像数据集进行检测，可以获得数据集中每张人像的人脸框，然后直接截取全部人脸框作为人脸区域数据集。

在另一个实施例中，可以直接调用事先准备好的清晰人脸区域数据集。该清晰人脸区域数据集可以提前通过如上所述实施例的方法获得，或者通过其它任何适用的方法获得。该清晰人脸区域数据集例如可以为高清图片数据集。

在步骤S102中，可以根据预设的模糊化信息，为所述第一清晰人脸区域数据集中的人脸区域图片分配模糊化评分，并根据所述模糊化评分调用模糊化方法对所述人脸区域图片进行模糊化处理，获得模糊化图片。其中所述预设的模糊化信息包括多个模糊化评分、与每个模糊化评分对应的多种模糊化参数、与每种模糊化参数对应的一种模糊化方法，所述模糊化评分是图片模糊化后的评分，所述模糊化方法是用于对图片进行模糊化的方法，所述模糊化参数是所述模糊化方法为了获得所述模糊化后的评分所使用的模糊化参数。

根据本公开的实施例，在获得清晰人脸区域数据集之后，可以先根据预设的模糊化信息中的模糊化评分对待模糊化的人脸区域图片给予模糊化后的评分，然后通过预设的模糊化信息中的模糊化评分、模糊化参数以及模糊化方法的对应关系，调用模糊化方法来获得与所给予的评分相对应的模糊化图片，如此可以获得模糊化后的图片和相应评分。所述对应关系包括：每个模糊化评分与多种模糊化参数对应、每种模糊化参数与一种模糊化方法对应。应当理解，不同模糊化评分所对应的模糊化参数的种类相同并且不同模糊化评分所对应的同一种模糊化参数的参数值不同，例如一个评分对应5种不同的模糊化参数，其它评分也对应于这5种不同的模糊化参数，而一个评分所对应的一种模糊化参数的具体参数值和另一个评分所对应的同种模糊化参数的具体参数值不同。

其中，模糊化评分是梯度化的评分，例如可以包括0分至n分共n+1个评分等级，其中n为正整数，并且0分代表模糊度最大，n分为满分代表清晰。值得注意的是，当模糊化评分为满分时，模糊化评分、模糊化参数以及模糊化方法的对应关系仍然存在，但满分的模糊化评分所对应的多种模糊化参数均为特定值，例如0。

并且所述模糊化方法可以包括下采样模糊法、神经网络模糊法、高斯模糊法、中值滤波模糊法和马赛克模糊法等。

在一个实施例中，所述根据预设的模糊化信息，为所述第一清晰人脸区域数据集中的人脸区域图片分配模糊化评分，并根据所述模糊化评分调用模糊化方法对所述人脸区域图片进行模糊化处理，获得模糊化图片可以包括：针对所述人脸区域图片，根据所述预设的模糊化信息随机选择一个所述模糊化评分；根据随机选择的模糊化评分在与其对应的多种模糊化参数中随机选择一种模糊化参数；根据随机选择的模糊化参数，配置对应的模糊化方法，以对所述人脸区域图片进行模糊化处理而获得所述模糊化图片。

根据该实施例，可以对需要模糊化的清晰图片根据期望的模糊化评分通过不同的模糊化方法进行不同的模糊化处理，由于模糊化参数不同，每种模糊化方法可以获得不同模糊程度的模糊化图片。并且如果期望的模糊化评分是满分，由于根据该评分随机选择的一种对应的模糊化参数为特定值，因此可以根据该特定值配置对应的模糊化方法，使得模糊化方法的模糊化处理相当于没有处理、即无效处理。例如根据该特定值配置对应的模糊化方法可以包括：当所述模糊化参数为特定值时，根据该特定值选择使得模糊化方法的模糊化处理无效的参数，例如选择参数0；利用该无效参数配置模糊化方法，例如用0加权等，因此可以在模糊化处理后获得清晰图片作为模糊化图片。因此通过该方案可以获得包括清晰图片和不同模糊度且不同模糊类型的模糊化图片，由此可以获得多样化的人脸区域图片。

举例来说，该预设的模糊化信息可以包括例如0-10分共11个等级的模糊化评分，其中，0分表示最模糊，10分表示清晰。每个模糊化评分对应于例如5种模糊化参数，每种模糊化参数对应于一种模糊化方法，其中10分对应的模糊化参数为特定值，例如为0。5种模糊化参数例如是下采样模糊法的参数、神经网络模糊法的参数、高斯模糊法的参数、中值滤波模糊法的参数和马赛克模糊法的参数。

在获取到清晰人脸区域数据集之后，可以针对该数据集中的人脸区域图片在0-10分的11个模糊化评分中随机选择一个评分，例如随机选择3分，则在与3分对应的以上5种模糊化参数中随机选择一种模糊化参数，例如下采样模糊法参数，然后根据该下采样模糊法参数调用下采样模糊法并利用该参数配置下采样模糊法，使得配置该参数的该下采样模糊法在对图片进行模糊化处理后，可以获得3分模糊度的图片。当随机选择的分数是10分时，则在与10分对应的以上5种模糊化参数中随机选择一种模糊化参数，例如下采样模糊法参数，由于与10分对应的模糊化参数的参数值为特定值，因此可以根据该特定值选择使得下采样模糊法的模糊化处理无效的参数，例如采样数量为图片的全部像素数量，然后利用该参数配置下采样模糊法，使得下采样模糊法采样数量为图片的全部像素数量，因此可以然后根据该下采样模糊法参数调用下采样模糊法并利用该参数配置下采样模糊法，使得配置该参数的该下采样模糊法对图片进行全部像素进行采样并还原，从而得到原图片

在另一个实施例中，对模糊化评分和模糊化参数的选择可以不是随机的，而是按照模糊化评分的预设顺序和模糊化参数的预设顺序轮流进行选择。

下面将对模糊化方法中的下采样模糊法和神经网络模糊法进行描述。

关于下采样模糊法，下采样模糊法可以是在对人脸区域图片按照该预设采样规则进行采样之后获得采样数据，将采样数据还原成原图片尺寸，由此获得采样图片。其中预设采样规则可以包括采样次数和每次采样的像素数量。由于采样数据并非完整数据，因此还原后得到的采样图片自然具有一定的模糊度，并且随着像素采样数量的不同，还原回得到的采样图片的模糊度也不同。

关于神经网络模糊法，本公开采用一种利用预设图像生成模型对图片进行模糊化的方法。所述预设图像生成模型的任务为图像复原，即输入一张图像，该模型尽可能输出一张与输入一模一样的图像。图像复原任务与图像分类任务不同，图像分类任务目的是获取同一个类别与其他类别最具有区分度的特征，并依据该特征进行分类；而图像复原任务的目的是获取一张图片的特征，该特征能够完整地表征图像的像素信息，并根据该特征可以对图片进行复原。

具体地，可以使用清晰图片训练该预设图像生成模型，在不同训练阶段，该模型输出的图片都会具有一定模糊度，而随着模型的不断训练，该模型输出的图片越来越接近输入的图片，因此模糊度会越来越小。

下面将参照图3至图5具体描述预设图像生成模型的架构。图3是示出根据本公开的一个实施例的预设图像生成模型的架构图；图4是示出根据本公开的一个实施例的预设图像生成模型中的细节特征加密单元的架构图；图5是示出根据本公开的一个实施例的预设图像生成模型中的通用特征加密单元的架构图。

如图3所示，该预设图像生成模型包括两个主要部分：图像加密网络和图像解密网络。其中图像加密网络负责将输入图像加密为一组隐藏码，图像解密网络负责将该隐藏码复原为一张图像。

根据本公开的图像加密网络的实施例，图像加密网络的任务主要是对人脸进行加密，将上述配对的数据子集中的人脸区域图像作为输入，首先经过4组串行的人脸细节特征提取模块，再经过2组串行的人脸通用特征提取模块，最后进行1×1的卷积改变通道数进行图像特征的映射，即生成隐藏码。

具体地，在网络的高分辨率层具有更多的图像细节信息，比如人脸皱纹、眉毛等特征，所以首先使用4组人脸细节特征提取模块来提取人脸中的细节信息。在每组人脸细节特征提取模块中，首先通过细节特征加密单元提取人脸细节特征，然后对这些细节特征通过3×3卷积进行下采样，例如512×512的图像提取细节信息后将下采样至32×32像素，再使用InstanceNorm进行归一化，最后经过LeakyReLU激活函数进行激活。第一组人脸细节特征提取模块的输出作为第二组人脸细节特征提取模块的输入，如此串行执行直到第四组人脸细节特征提取模块。

参照图4，在细节特征加密单元中，首先使用3×3卷积提取特征，然后分离出一条支路使用1×1卷积改变通道数，再经过平均池化、线性卷积和sigmoid为每个特征通道计算注意力，然后将注意力输出与3×3卷积提取特征相乘，由于InstanceNorm能够有效地提取单张图像特征，不会混入数据集其他图像的特征，适合人脸细节特征的提取，所以再使用InstanceNorm进行归一化，最后经过LeakyReLU激活函数进行激活。

随着图像分辨率的降低，人脸细节逐渐消失，如，只能发现人脸都有两只眼睛，一个鼻子，一张嘴巴等，所以使用两组人脸通用特征提取模块进行通用特征提取，输出图像大小例如为8×8像素。人脸通用特征模块遵循基本的卷积神经网络设计方法(卷积层+归一化层+激活层)。在每组人脸通用特征提取模块中，首先通过通用特征加密单元提取人脸通用特征，然后对这些细节特征通过3×3卷积进行下采样，再使用BatchNorm作为归一化层进行归一化，最后经过LeakyReLU激活函数进行激活。第一组人脸通用特征提取模块的输出作为第二组人脸通用特征提取模块的输入。

参照图5，在通用特征加密单元中，先后使用1×1卷积、3×3卷积和1×1卷积提取特，然后使用BatchNorm作为归一化层进行归一化，最后经过LeakyReLU激活函数进行激活。

在使用两组人脸通用特征提取模块进行通用特征提取之后，通过1×1卷积生成256×8×8的隐藏码。

根据本公开的图像解密网络的实施例，图像解密网络设计与图像加密网络类似，是加密网络的反过程。图像解密网络的任务主要是对图像加密网络生成的输出、即隐藏码进行加密，因此隐藏码作为图像解密网络的输入，首先经过2组串行的人脸通用特征解释模块，再经过4组串行的人脸细节特征解释模块，除了最后一组人脸通用特征解释模块的输出作为4组串行的人脸细节特征解释模块中的第一组人脸细节特征解释模块的输入之外，图像加密网络中的4组串行的人脸细节特征提取模块中的最后一组人脸细节特征提取模块的输出也将作为该第一组人脸细节特征解释模块的输入，最后经过3×3的卷积而生成图像。

具体地，图像解密网络的构造与图像加密网络的构造的仅区别在于将图像加密网络中各模块中的3×3下采样卷积替换为最近邻上采样层，以及将图像加密网络最后的1×1卷积层修改为3×3卷积层。图像解密网络中的细节特征解密单元与图像加密网络中的细节特征加密单元的架构相同，图像解密网络中的通用特征解密单元与图像加密网络中的通用特征加密单元的架构相同，因此不再图示。

根据该预设图像生成模型的实施例，可以通过该预设图像生成模型，生成专门模糊类型的模糊化图片，从而可以丰富模糊化图片的样式。

在步骤S103中，可以通过所述模糊化图片，训练所述人脸图像检测模型。

根据本公开的实施例，可以通过上述步骤S102不断地获得模糊化图片，一旦获得预定数量的模糊化图片，就直接对人脸图像检测模型进行训练，该预定数量可以是一张或一批多张。所述人脸图像检测模型可以是任何适用的分类网络模型，例如resnet，ghostnet等。该人脸图像检测模型的输出是对应于人脸图像模糊度的分类评分。尤其该人脸图像检测模型可以对不同模糊程度的图像和清晰的图像进行分类评分

具体地，例如可以使用Adam优化器对人脸图像检测模型进行训练，其中例如可以将初始学习率设为0.001，损失函数例如可以是交叉熵，训练直到损失稳定。当然，还可以使用其它任何适用的优化器，初始学习率也可以人为设定，损失函数也可以是任何适用的损失函数。

通过上述方法获得的模糊化图片可以具有多样化的模糊类型和模糊度，从而可以更加全面准确地训练人脸图像检测模型，进而可以提高人脸图像模糊度检测的全面性和准确性。

本公开还提供一种人脸图像检测模型训练方法。参照图2，图2是示出根据本公开的另一实施例的人脸图像检测模型训练方法的流程图。如图2中所示，所述人脸图像检测模型训练方法还包括以下步骤S201。

在步骤S201中，可以创建所述预设的模糊化信息。

根据本公开的实施例，可以在训练人脸图像检测模型时，先创建预设的模糊化信息，当然也可以如参照图1所描述的人脸图像检测模型训练方法中的实施例，在训练人脸图像检测模型时直接获取预先创建好预设的模糊化信息。

进一步地，所述创建所述预设的模糊化信息包括：获取第二清晰人脸区域数据集；确定对所述第二清晰人脸区域数据集进行模糊化处理的多种模糊化方法；使用所述多种模糊化方法中的任一种模糊化方法对所述第二清晰人脸区域数据集进行模糊化处理，获得模糊化图片作为基准模糊化图片；根据预设评分规则，在所述基准模糊化图片中确定待评分图片并进行评分，获得基准评分后图片；根据所述基准评分后图片，确定所述任一种模糊化方法在获得所述基准评分后图片时所使用的参数作为基准参数；使用所述多种模糊化方法中的未使用的模糊化方法对所述第二清晰人脸区域数据集进行模糊化处理，获得模糊化图片作为相对模糊化图片；以所述基准评分后图片为基准，在所述相对模糊化图片中确定与所述基准评分后图片相同模糊度的图片并给予相同的评分，获得相对评分后图片；根据所述相对评分后图片，确定与其对应的模糊化方法在获得所述相对评分后图片时所使用的参数作为相对参数；将所述基准评分后图片的评分作为所述模糊化评分，将所述基准参数和所述相对参数作为模糊化参数，并且根据所述模糊化评分、所述模糊化参数以及对应的模糊化方法，确定所述预设的模糊化信息。

根据本公开的实施例，可以选择创建预设的模糊化信息所用的至少两种模糊化方法，首先任选一种方法对清晰人脸区域数据集中的人脸区域图片进行模糊化处理，人为按照预设评分规则选择出所需的具有梯度化模糊度的图片并进行评分，同时保存获得相应评分后图片所用的方法参数。然后用其它的模糊化方法分别处理人脸区域图片，按照相同标准选择所需的具有梯度化模糊度的图片并给予与首先选择的方法中的评分相同的评分，同时保存获得相应评分后图片所用方法参数。如此，不同的模糊化方法可以获得具有相同梯度化模糊度和统一评分标准的图片。因此可以通过以上模糊化评分、模糊化参数和模糊化方法的逻辑关系得到三者之间的对应关系，从而确定模糊化信息。

其中，第二清晰人脸区域数据集的获取方法可以与参照图1所述的人脸图像检测模型训练方法中获取第一清晰人脸区域数据集的方法相同。创建该预设的模糊化信息需要的图片数量很少，例如10张清晰图片，因此第二清晰人脸区域数据集是第一清晰人脸区域数据集的一部分。当然更有效的方法是直接使用少量清晰人像图片，例如10张，利用人脸检测算法获得第二人脸图像区域数据集。所述多种模糊化方法例如包括下采样模糊法、神经网络模糊法、高斯模糊法、中值滤波模糊法和马赛克模糊法等。其中所述神经网络模糊法可以包括利用预设图像生成模型的模糊法。所述预设评分规则可以包括具体的模糊化评分的数量、梯度、分值等，模糊化评分可以包括0分至n分共n+1个评分等级，其中n为正整数，并且0分代表模糊度最大，n分为满分代表清晰，并且可以据此人为选择相应模糊程度图片作为模糊化图片并给予模糊化评分。

值得注意的是，在根据预设评分规则确定待评分图片并评分时，会为除了满分以外的所有评分等级的评分确定对应的图片，因为满分对应于清晰图片，而模糊化方法处理后的图片不存在清晰图片。但是对于与满分相关的模糊化信息仍可以根据所述模糊化评分、所述模糊化参数以及对应的模糊化方法单独设定。每种模糊化方法各自对应于一个种类的参数，每种参数可以具有不同的参数值，根据所述模糊化评分、模糊化方法获得该模糊化评分所使用的参数值，可以确定每个模糊化评分所对应的参数种类以及每种参数的值。由于每个模糊化评分都通过同样的多种模糊化方法获得，因此每个模糊化评分所对应的参数种类相同，但参数值不同，举例来说，例如采用下采样模糊法和利用预设图像生成模型的模糊法，以3分和5分为例，最后的对应关系是3分和5分都对应于两个种类的参数，即下采样模糊法参数和预设图像生成模型参数，但是3分所对应的下采样模糊法参数和预设图像生成模型参数的值与5分所对应的下采样模糊法参数和预设图像生成模型参数的值不同。因此，可以将满分设置为对应于同样的参数种类，但每种参数的值均设为特定值，例如0，而且每种参数对应于一种模糊化方法。由此可以根据模糊化评分、模糊化参数以及对应的模糊化方法，确定预设的模糊化信息。此外，通常可以利用1张清晰图片创建模糊化信息，为了使得该模糊化信息更准确，采用了如上所述的极小规模的数据集。

此外，关于下采样模糊化和利用预设图像生成模型的模糊法的相关内容可以参照上述人脸图像检测模型训练方法中的描述，此处不再赘述。

本公开还提供一种人脸图像检测方法。参照图6，图6是示出根据本公开的一个实施例的人脸图像检测方法的流程图。如图6中所示，所述人脸图像检测方法包括以下步骤S301-S303。步骤S301：获取待检测人脸图像。步骤S302：根据所述待检测人脸图像，获取人脸区域数据。步骤S303：将所述人脸区域数据输入人脸图像检测模型，获得所述待检测人脸图像的人脸图像检测结果，其中所述人脸图像检测模型通过上述人脸图像检测模型训练方法训练得到。

通过本公开的人脸图像检测方法，可以通过人脸图像检测模型对整个人脸图像进行更全面且更准确地模糊度检测。

在步骤S301中，可以获取待检测人脸图像。

根据本公开的实施例，为了检测人脸图像的模糊度，首先应获取待检测人脸图像。该待检测人脸图像可以是事先准备好的，也可以是借助摄影摄像设备当前捕捉的图像。

在步骤S302中，可以根据所述待检测人脸图像，获取人脸区域数据。

根据本公开的实施例，在获得待检测人脸图像之后，可以如上所述的人脸图像检测模型训练方法中的实施例一样通过人脸检测算法获得人脸区域数据。当然，也可以通过其它任何适用的方法获得人脸区域数据。

在步骤S303中，可以将所述人脸区域数据输入人脸图像检测模型，获得所述待检测人脸图像的人脸图像检测结果。

根据本公开的实施例，在获得人脸区域数据之后，将该人脸区域数据直接作为该人脸图像检测模型的输入，从而获得人脸图像检测结果。具体地，该检测结果包括人脸区域模糊程度的所有等级的评分和各自对应的置信度，其中，值最大的置信度所对应的评分即为所检测的人脸图像的评分。该评分与上述人脸图像检测模型训练方法中的所使用的预设评分规则中的评分等级和具体分数相对应，通过该评分即可知道相应人脸区域的模糊度情况，进而可以根据该结果进行任何所需的后续处理或应用。

本公开还提供一种人脸图像检测方法。参照图7，图7是示出根据本公开的另一实施例的人脸图像检测方法的流程图。如图7中所示，所述人脸图像检测方法在图6所示的人脸图像检测方法的步骤S203之后还包括以下步骤S304。

在步骤S304中，可以根据所述人脸图像检测结果中的评分和与所述评分对应的置信度值，进行细化评分。

根据本公开的实施例，通过人脸图像检测模型获得的检测结果包括评分和对应的置信度，例如具体可以参照下面的表格1。

0	1	2	3	4	5	6	7	8	9	10
											0.00	0.01	0.02	0.81	0.10	0.03	0.01	0.01	0.01	0.00	0.00

表格1

其中，第一行为11个评分等级的评分，第二行为对应的置信度。由于3分对应的置信度的值最大，因此人脸图像检测结果为3分。可以看出，这种检测结果实际上是离散化的模糊度分类结果。

为了对人脸模糊度的评分具有更细的粒度，即更加连续性，可以对人脸图像检测模型输出的结果进行细化评分，从而可以获得更精确的人脸模糊度评分结果，更好地区分人脸模糊程度。

由此，可以根据所述人脸图像检测结果中的评分和与所述评分对应的置信度值，进行细化评分而获得最终评分。该最终评分例如可以是介于0至1之间且包含0和1的浮点数类型的分数，其中该浮点数类型的分数的精度可以人为设定，精度越高则分数的连续性越好。

具体地，为了细化评分，首先将检测结果中置信度值最高的评分作为当前评分，并在检测结果中获取包括当前评分的相邻三个评分并确定中心分。在当前评分为最低分时(即最低分对应的置信度的值最大)，可以取最低分以及与最低分相邻的两个评分等级的评分，并将紧邻该最低分的评分作为中心分；在当前评分为最高分时(即最高分对应的置信度的值最大)，可以取最高分以及与最高分相邻的两个评分等级的评分，并将紧邻该最高分的评分作为中心分；在当前评分是除了最低分和最高分以外的中间评分时，可以取该中间评分以及该中间评分上一等级的评分(小于中间评分)的评分和下一等级(大于中间评分)的评分，并将该中间评分作为中心分。

随后可以根据获取的三个评分所对应的置信度通过以下公式获得偏移分：

其中，S表示偏移分，a表示中心分所对应的置信度，a^-表示小于中心分的评分所对应的置信度，a⁺表示大于中心分的评分所对应的置信度。

随后，可以根据偏移分、中心分和评分等级数量来获得最终评分。

具体地，当a^->a⁺时，可以通过以下公式获得最终评分：

R＝(arg(a)-S)/(N-1)

其中，R表示最终评分，arg(a)表示中心分，N表示评分等级数量。

当a^-＜a⁺时，可以通过以下公式获得最终评分：

R＝(arg(a)+S)/(N-1)

其中，R表示最终评分，arg(a)表示中心分，N表示评分等级数量。

举例来说，根据上述表格1给出的检测结果示例可知，3分所对应的置信度最高，并且3分不是最低分和最高分，因此取2分、3分和4分并将3分作为中心分，根据这三个分数的置信度，细化评分后的最终评分为：

其中，该评分取小数点后四位，当然可以根据需要取小数点后面任意位。值得注意的是，当通过上述方法计算得到的最终评分小于0时，取0分为最终评分；当通过上述方法计算得到的最终评分大于1时，取1分为最终评分。因此，可以对输入到人脸图像检测模型的图像进行细化评分，从而获得介于0和1之间的浮点数类型的精确评分。

根据本公开的实施例，例如人脸图像检测结果如下面表格2所示：

0	1	2	3	4	5	6	7	8	9	10
											0.81	0.01	0.02	0.00	0.10	0.03	0.01	0.01	0.01	0.00	0.00

表格2

其中，第一行为11个评分等级的评分，第二行为对应的置信度。由于0分对应的置信度的值最大，因此人脸图像检测结果为0分。在这种情况下，当前评分为0分，即最低分，可以取1分和2分与0分构成上述方法所需的三个评分，并将1分作为中心分。由此根据上述方法可以计算得到细化的最终评分。

根据本公开的实施例，例如人脸图像检测结果如下面表格3所示：

0	1	2	3	4	5	6	7	8	9	10
											0.00	0.01	0.02	0.00	0.10	0.03	0.01	0.01	0.01	0.00	0.81

表格3

其中，第一行为11个评分等级的评分，第二行为对应的置信度。由于10分对应的置信度的值最大，因此人脸图像检测结果为10分。在这种情况下，当前评分为10分，即最高分，可以取8分和9分与10分构成上述方法所需的三个评分，并将9分作为中心分。由此根据上述方法可以计算得到细化的最终评分。

根据该细化评分的实施例，通过对人脸图像检测模型的检测结果进行细化评分，可以使得输入的图像的人脸模糊度的评分具有更细的粒度，从而更好地区分图片的模糊程度。

本公开还提供一种人脸图像检测模型训练装置。该装置用于执行以上结合图1所描述的一种人脸图像检测模型训练方法实施例中的步骤。

参照图8，图8是示出根据本公开的一个实施例的人脸图像检测模型训练装置100的示意性框图。如图8所示，该人脸图像检测模型训练装置100包括第一获取模块101、模糊化模块102和训练模块103。该第一获取模块101用于获取第一清晰人脸区域数据集。该模糊化模块102用于根据预设的模糊化信息，为所述第一清晰人脸区域数据集中的人脸区域图片分配模糊化评分，并根据所述模糊化评分调用模糊化方法对所述人脸区域图片进行模糊化处理，获得模糊化图片，其中所述预设的模糊化信息包括多个模糊化评分、与每个模糊化评分对应的多种模糊化参数、与每种模糊化参数对应的一种模糊化方法，所述模糊化评分是图片模糊化后的评分，所述模糊化方法是用于对图片进行模糊化的方法，所述模糊化参数是所述模糊化方法为了获得所述模糊化后的评分所使用的模糊化参数。该训练模块103用于通过所述模糊化图片，训练所述人脸图像检测模型。

根据本公开的实施例，所述第一获取模块101用于采取如下方式获取第一清晰人脸区域数据集：获取预设清晰人像数据集；根据所述预设清晰人像数据集，通过人脸检测算法获得所述第一清晰人脸区域数据集。

根据本公开的实施例，所述预设清晰人像数据集包括自建数据集。

根据本公开的实施例，所述第一获取模块101用于采取如下方式根据所述预设清晰人像数据集，通过人脸检测算法获得所述第一清晰人脸区域数据集：通过所述人脸检测算法检测出所述预设清晰人像数据集中每张人像的人脸框；截取全部所述人脸框作为所述第一清晰人脸区域数据集。

根据本公开的实施例，所述模糊化模块102用于采取如下方式根据预设的模糊化信息，为所述第一清晰人脸区域数据集中的人脸区域图片分配模糊化评分，并根据所述模糊化评分调用模糊化方法对所述人脸区域图片进行模糊化处理，获得模糊化图片：针对所述人脸区域图片，根据所述预设的模糊化信息随机选择一个所述模糊化评分；根据随机选择的模糊化评分在与其对应的多种模糊化参数中随机选择一种模糊化参数；根据随机选择的模糊化参数，配置对应的模糊化方法，以对所述人脸区域图片进行模糊化处理而获得所述模糊化图片。

所述模糊化方法包括采样模糊法、神经网络模糊法、高斯模糊法、中值滤波模糊法和马赛克模糊法。

本公开还提供一种人脸图像检测模型训练装置。该装置用于执行以上结合图2所描述的一种人脸图像检测模型训练方法实施例中的步骤。

参照图9，图9是示出根据本公开的另一实施例的人脸图像检测模型训练装置的示意性框图。图9所示的人脸图像检测模型训练装置200与图8所示的人脸图像检测模型训练装置100的区别仅在于，该人脸图像检测模型训练装置200还包括创建模块201。该创建模块201用于创建所述预设的模糊化信息。

根据本公开的实施例，所述创建模块201用于采取如下方式创建所述预设的模糊化信息：获取第二清晰人脸区域数据集；确定对所述第二清晰人脸区域数据集进行模糊化处理的多种模糊化方法；使用所述多种模糊化方法中的任一种模糊化方法对所述第二清晰人脸区域数据集进行模糊化处理，获得模糊化图片作为基准模糊化图片；根据预设评分规则，在所述基准模糊化图片中确定待评分图片并进行评分，获得基准评分后图片；根据所述基准评分后图片，确定所述任一种模糊化方法在获得所述基准评分后图片时所使用的参数作为基准参数；使用所述多种模糊化方法中的未使用的模糊化方法对所述第二清晰人脸区域数据集进行模糊化处理，获得模糊化图片作为相对模糊化图片；以所述基准评分后图片为基准，在所述相对模糊化图片中确定与所述基准评分后图片相同模糊度的图片并给予相同的评分，获得相对评分后图片；根据所述相对评分后图片，确定与其对应的模糊化方法在获得所述相对评分后图片时所使用的参数作为相对参数；将所述基准评分后图片的评分作为所述模糊化评分，将所述基准参数和所述相对参数作为模糊化参数，并且根据所述模糊化评分、所述模糊化参数以及对应的模糊化方法，确定所述预设的模糊化信息。

根据本公开的实施例，所述神经网络模糊法包括利用预设图像生成模型的模糊法。

可以理解的是，关于以上参照图9描述的实施例中的人脸图像检测模型训练装置，其中各个模块执行操作的具体方式已经在结合图2所描述的人脸图像检测模型训练方法的实施例中进行了详细描述，此处将不做详细阐述说明。

本公开还提供一种人脸图像检测装置。该装置用于执行以上结合图6所描述的一种人脸图像检测方法实施例中的步骤。

参照图10，图10是示出根据本公开的一个实施例的人脸图像检测装置300的示意性框图。如图10所示，该人脸图像检测装置300包括第二获取模块301、第三获取模块302和检测模块303。该第二获取模块301用于获取待检测人脸图像。该第三获取模块302用于根据所述待检测人脸图像，获取人脸区域数据。该检测模块303用于将所述人脸区域数据输入人脸图像检测模型，获得所述待检测人脸图像的人脸图像检测结果，其中所述人脸图像检测模型通过上述人脸图像检测模型训练装置100或人脸图像检测模型训练装置200训练得到。

可以理解的是，关于以上参照图10描述的实施例中的人脸图像检测装置，其中各个模块执行操作的具体方式已经在结合图6所描述的人脸图像检测方法的实施例中进行了详细描述，此处将不做详细阐述说明。

本公开还提供一种人脸图像检测装置。该装置用于执行以上结合图11所描述的一种人脸图像检测方法实施例中的步骤。

参照图11，图11是示出根据本公开的另一实施例的人脸图像检测装置400的示意性框图。图11所示的人脸图像检测装置400与图10所示的人脸图像检测装置300的区别仅在于，该人脸图像检测装置400还包括细化评分模块304。该细化评分模块304用于根据所述人脸图像检测结果中的评分和与所述评分对应的置信度值，进行细化评分。

可以理解的是，关于以上参照图11描述的实施例中的人脸图像检测装置，其中各个模块执行操作的具体方式已经在结合图7所描述的人脸图像检测方法的实施例中进行了详细描述，此处将不做详细阐述说明。

本公开还提供一种电子设备，其中，所述电子设备包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时，实现如结合图1或图2所描述的人脸图像检测模型训练方法，或者实现如结合图6或图7所描述的人脸图像检测方法。

可以理解的是，所述处理器执行所述计算机程序时实现的步骤与上述方法中的各个步骤的实现方式基本一致，具体方式已经在有关人脸图像检测模型训练方法和人脸图像检测方法的实施例中进行了详细描述，此处将不做详细阐述说明。

在另一方面中，本公开提供一种计算机可读存储介质，其中，所述存储介质存储有计算机程序，所述计算机程序被执行时，实现如结合图1或图2所描述的人脸图像检测模型训练方法，或者实现如结合图6或图7所描述的人脸图像检测方法。

可以理解的是，所述处理器执行所述计算机程序时实现的步骤与上述方法中的各个步骤的实现方式基本一致，具体方式已经在有关人脸图像检测模型训练方法和人脸图像检测方法的实施例中进行了详细描述，此处将不做详细阐述说明。

以上对本公开实施例进行了详细介绍，本文中应用了具体个例对本公开的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本公开的方法及其核心思想；同时，对于本领域的一般技术人员，依据本公开的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本公开的限制。

应当理解，本公开的权利要求、说明书及附图中的术语“第一”和“第二”、等是用于区别不同对象，而不是用于描述特定顺序。本公开的说明书和权利要求书中使用的术语“包括”和“包含”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，在此本公开说明书中所使用的术语仅仅是出于描述特定实施例的目的，而并不意在限定本公开。如在本公开说明书和权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。还应当进一步理解，在本公开说明书和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。

以上对本公开实施例进行了详细介绍，本文中应用了具体个例对本公开的原理及实施方式进行了阐述，以上实施例的说明仅用于帮助理解本公开的方法及其核心思想。同时，本领域技术人员依据本公开的思想，基于本公开的具体实施方式及应用范围上做出的改变或变形之处，都属于本公开保护的范围。综上所述，本说明书内容不应理解为对本公开的限制。

Claims (15)

1.一种人脸图像检测模型训练方法，其中，所述方法包括：

获取第一清晰人脸区域数据集；

根据预设的模糊化信息，为所述第一清晰人脸区域数据集中的人脸区域图片分配模糊化评分，并根据所述模糊化评分调用模糊化方法对所述人脸区域图片进行模糊化处理，获得模糊化图片，

其中所述预设的模糊化信息包括多个所述模糊化评分、与每个模糊化评分对应的多种模糊化参数、与每种模糊化参数对应的一种模糊化方法，所述模糊化评分是图片模糊化后的评分，所述模糊化方法是用于对图片进行模糊化的方法，所述模糊化参数是所述模糊化方法为了获得所述模糊化后的评分所使用的模糊化参数；

通过所述模糊化图片，训练所述人脸图像检测模型。

2.根据权利要求1所述的人脸图像检测模型训练方法，其中，所述获取第一清晰人脸区域数据集包括：

获取预设清晰人像数据集；

根据所述预设清晰人像数据集，通过人脸检测算法获得所述第一清晰人脸区域数据集。

3.根据权利要求2所述的人脸图像检测模型训练方法，其中，所述预设清晰人像数据集包括自建数据集。

4.根据权利要求2所述的人脸图像检测模型训练方法，其中，所述根据所述预设清晰人像数据集，通过人脸检测算法获得所述第一清晰人脸区域数据集包括：

通过所述人脸检测算法检测出所述预设清晰人像数据集中每张人像的人脸框；

截取全部所述人脸框作为所述第一清晰人脸区域数据集。

5.根据权利要求1所述的人脸图像检测模型训练方法，其中，所述根据预设的模糊化信息，为所述第一清晰人脸区域数据集中的人脸区域图片分配模糊化评分，并根据所述模糊化评分调用模糊化方法对所述人脸区域图片进行模糊化处理，获得模糊化图片包括：

针对所述人脸区域图片，根据所述预设的模糊化信息随机选择一个所述模糊化评分；

根据随机选择的模糊化评分在与其对应的多种模糊化参数中随机选择一种模糊化参数；

根据随机选择的模糊化参数，配置对应的模糊化方法，以对所述人脸区域图片进行模糊化处理而获得所述模糊化图片。

6.根据权利要求1所述的人脸图像检测模型训练方法，其中，在根据预设的模糊化信息，为所述第一清晰人脸区域数据集中的人脸区域图片分配模糊化评分，并根据所述模糊化评分调用模糊化方法对所述人脸区域图片进行模糊化处理，获得模糊化图片之前，所述方法还包括：

创建所述预设的模糊化信息。

7.根据权利要求6所述的人脸图像检测模型训练方法，其中，所述创建所述预设的模糊化信息包括：

获取第二清晰人脸区域数据集；

确定对所述第二清晰人脸区域数据集进行模糊化处理的多种模糊化方法；

使用所述多种模糊化方法中的任一种模糊化方法对所述第二清晰人脸区域数据集进行模糊化处理，获得模糊化图片作为基准模糊化图片；

根据预设评分规则，在所述基准模糊化图片中确定待评分图片并进行评分，获得基准评分后图片；

根据所述基准评分后图片，确定所述任一种模糊化方法在获得所述基准评分后图片时所使用的参数作为基准参数；

使用所述多种模糊化方法中的未使用的模糊化方法对所述第二清晰人脸区域数据集进行模糊化处理，获得模糊化图片作为相对模糊化图片；

以所述基准评分后图片为基准，在所述相对模糊化图片中确定与所述基准评分后图片相同模糊度的图片并给予相同的评分，获得相对评分后图片；

根据所述相对评分后图片，确定与其对应的模糊化方法在获得所述相对评分后图片时所使用的参数作为相对参数；

将所述基准评分后图片的评分作为所述模糊化评分，将所述基准参数和所述相对参数作为模糊化参数，并且根据所述模糊化评分、所述模糊化参数以及对应的模糊化方法，确定所述预设的模糊化信息。

8.根据权利要求7所述的人脸图像检测模型训练方法，其中，所述模糊化方法包括下采样模糊法、神经网络模糊法、高斯模糊法、中值滤波模糊法和马赛克模糊法。

9.根据权利要求8所述的人脸图像检测模型训练方法，其中，所述神经网络模糊法包括利用预设图像生成模型的模糊法。

10.一种人脸图像检测方法，其中，所述方法包括：

获取待检测人脸图像；

根据所述待检测人脸图像，获取人脸区域数据；

将所述人脸区域数据输入人脸图像检测模型，获得所述待检测人脸图像的人脸图像检测结果，其中所述人脸图像检测模型通过权利要求1至9中任一项所述的人脸图像检测模型训练方法训练得到。

11.根据权利要求10所述的人脸图像检测方法，其中，所述人脸图像检测方法还包括：

根据所述人脸图像检测结果中的评分和与所述评分对应的置信度值，进行细化评分。

12.一种人脸图像检测模型训练装置，其中，所述装置包括：

第一获取模块，其用于获取第一清晰人脸区域数据集；

模糊化模块，其用于根据预设的模糊化信息，为所述第一清晰人脸区域数据集中的人脸区域图片分配模糊化评分，并根据所述模糊化评分调用模糊化方法对所述人脸区域图片进行模糊化处理，获得模糊化图片，

其中所述预设的模糊化信息包括多个所述模糊化评分、与每个模糊化评分对应的多种模糊化参数、与每种模糊化参数对应的一种模糊化方法，所述模糊化评分是图片模糊化后的评分，所述模糊化方法是用于对图片进行模糊化的方法，所述模糊化参数是所述模糊化方法为了获得所述模糊化后的评分所使用的模糊化参数；

训练模块，其用于通过所述模糊化图片，训练所述人脸图像检测模型。

13.一种人脸图像检测装置，其中，所述装置包括：

第二获取模块，其用于获取待检测人脸图像；

第三获取模块，其用于根据所述待检测人脸图像，获取人脸区域数据；

检测模块，其用于将所述人脸区域数据输入人脸图像检测模型，获得所述待检测人脸图像的人脸图像检测结果，其中所述人脸图像检测模型通过权利要求12所述的人脸图像检测模型训练装置训练得到。

14.一种电子设备，其中，所述电子设备包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时，实现如权利要求1至9中任一项所述的人脸图像检测模型训练方法，或者实现如权利要求10或11所述的人脸图像检测方法。

15.一种计算机可读存储介质，其中，所述存储介质存储有计算机程序，所述计算机程序被执行时，实现如权利要求1至9中任一项所述的人脸图像检测模型训练方法，或者实现如权利要求10或11所述的人脸图像检测方法。

Images