CN116434287A - 一种人脸图像检测方法、装置、电子设备及存储介质 - Google Patents

Abstract

本公开实施例公开了一种人脸图像检测方法、装置、电子设备及存储介质，其中，方法包括：获取待检测人脸图像；将待检测人脸图像输入至预设人脸检测模型中，获取人脸图像检测结果；其中，预设人脸检测模型是通过，基于根据训练样本图像中像素对图像检测结果的影响程度对训练样本图像进行预处理得到的第一图像以及对训练样本图像按照预设遮挡策略进行遮挡后生成的第二图像建立的同步模型训练路径训练生成的。本公开实施例公开的技术方案解决了现有的人脸图像检测模型优化效果不佳，模型泛化能力较低的问题，能够在人脸图像检测的过程中，提高模型对图像特征的学习能力，得到监测准确度更高的图像检测结果，提高目标训练模型的泛化能力。

Description

一种人脸图像检测方法、装置、电子设备及存储介质

技术领域

本公开实施例涉及人工智能技术领域，尤其涉及一种人脸图像检测方法、装置、电子设备及存储介质。

背景技术

目前，在人脸活体检测技术中，多是通过卷积神经网络模型对活体人脸图像的特征进行深度学习，预训练得到人脸活体检测模型。然后，通过训练得到的模型识别活体人脸图像。

但是，在模型优化的过程中，由于真假人脸间的区别并不是分类主体上本质的区别，不容易找到模型优化的方向，导致模型性能得不到提高，且模型泛化能力较差，不能应对跨数据域的人脸攻击。

发明内容

本公开实施例提供了一种人脸图像检测方法、装置、电子设备及存储介质，使用在训练过程中根据像素特征重要程度进行多路径特征学习人脸检测模型，能够提高图像识别过程中特征学习的能力，从而提高预设人脸图像的检测模型的泛化能力。

第一方面，本公开实施例提供了一种人脸图像检测方法，包括：

获取待检测人脸图像；

将所述待检测人脸图像输入至预设人脸检测模型中，获取人脸图像检测结果；

其中，所述预设人脸检测模型是通过，基于根据训练样本图像中像素对图像检测结果的影响程度对训练样本图像进行预处理得到的第一图像以及对所述训练样本图像按照预设遮挡策略进行遮挡后生成的第二图像建立的同步模型训练路径训练生成的。

第二方面，本公开实施例还提供了一种人脸图像检测装置，包括：

图像获取模块，用于获取待检测人脸图像；

图像检测模块，用于将所述待检测人脸图像输入至预设人脸检测模型中，获取人脸图像检测结果；

其中，所述预设人脸检测模型是通过，基于根据训练样本图像中像素对图像检测结果的影响程度对训练样本图像进行预处理得到的第一图像以及对所述训练样本图像按照预设遮挡策略进行遮挡后生成的第二图像建立的同步模型训练路径训练生成的。

第三方面，本公开实施例还提供了一种电子设备，所述电子设备包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本公开实施例任一所述的人脸图像检测方法。

第四方面，本公开实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如本公开实施例任一所述的人脸图像检测方法。

本公开实施例的技术方案，通过获取待检测人脸图像，将待检测人脸图像输入至预设人脸检测模型中，获取人脸图像检测结果；而其中，预设人脸检测模型是通过在训练过程中，基于根据训练样本图像中像素对图像检测结果的影响程度对训练样本图像进行预处理得到的第一图像以及对训练样本图像按照预设遮挡策略进行遮挡后生成的第二图像建立的同步模型训练路径训练生成的，能够充分学习对检测结果影响程度不同的图像特征，从而提高模型特征学习能力。本公开实施例公开的技术方案解决了现有的人脸图像检测模型优化效果不佳，模型泛化能力较低的问题，能够在人脸图像检测的过程中，提高模型对图像特征的学习能力，得到监测准确度更高的图像检测结果，提高目标训练模型的泛化能力。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。

图1为本公开实施例一所提供的一种人脸图像检测方法的流程示意图；

图2为本公开实施例二所提供的一种人脸图像检测方法的流程示意图；

图3为本公开实施例二所提供的一种人脸检测模型训练过程示意图；

图4为本公开实施例三所提供的一种人脸图像检测装置结构示意图；

图5为本公开实施例四所提供的一种电子设备结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。

本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

实施例一

图1为本公开实施例一所提供的一种人脸图像检测方法流程示意图，本公开实施例适用于对人脸图像进行识别与分类的过程，特别适用于识别活体人脸图像的情形。该方法可以由人脸图像检测装置来执行，该装置可以通过软件和/或硬件的形式实现，该装置可配置于电子设备中，例如配置于移动终端或服务器设备中。

如图1所示，本实施例提供的人脸图像检测方法，包括：

S110、获取待检测人脸图像。

其中，待检测人脸图像可以是人脸活体图像，是在需要身份识别及认证的场景下采集到的图像，例如，在账户登录，或交易信息的确定等场景中，需要进行面部识别验证，实时的通过应用客户端所在终端设备的图像采集功能模块采集目标对象的面部图像。待检测人脸图像也可能是非活体人脸图像，如预先存储在终端设备中的人脸图像，或者采集到的已有人脸图像的图像。因此，需要进一步识别采集到的图像是否为活体人脸图像，以及是否为目标活体人脸图像。当然，在其他需要进行图像识别的非活体人脸图像的检测场景也可适用于本实施例的技术方案。

S120、将所述待检测人脸图像输入至预设人脸检测模型中，获取人脸图像检测结果。

在需要对人脸图像进行检测的场景下，相关应用程序的客户端在获取到待检测人脸图像后，便会调用人脸图像检测装置，执行人脸图像检测的过程。具体是，将待检测人脸图像输入至预设人脸检测模型中，由预设人脸检测模型输出对应的检测结果。特别的，在本实施例中，预设人脸检测模型是通过，基于根据训练样本图像中像素对图像检测结果的影响程度对训练样本图像进行预处理得到的第一图像以及对所述训练样本图像按照预设遮挡策略进行遮挡后生成的第二图像建立的同步模型训练路径训练生成的。

这是考虑到，真的或假的活体人脸图像中的区别并不是实体的区别，通常的人脸检测模型并不能很好的学习到待检测人脸图像中能够指示出真假活体人脸图像区别的关键特征并确定模型优化的方向。另外，由于采集到的模型训练数据量的限制，用户通过终端设备采集待检测的人脸图像时，可能会处于各种各样的图像采集环境，图像中的颜色、形状、边框或者光线的变化，都可能被模型认为是关于真假活体人脸图像的识别信息，这些提示信息所对应的特征已经使模型的损失函数变低，模型的权重更新也同样变缓，导致模型在新的场景下很难检测到价廉。例如，在一些场景下，在采集图像时，人脸附近有明显的标志特征，该特征可能会作为图像特征被识别，影响人脸图像检测的结果，在没有相同标志特征的场景下，就不能得到准确的图像检测结果。因此，人脸图像检测模型的适应能力以及泛化能力也是模型优化的过程中需要突破的难点。

本实施例中的预设人脸检测模型在训练时，会根据训练样本图像中像素对图像检测结果的影响程度对训练样本图像进行预处理得到的第一图像进行特征学习。在一张人脸图像中，每个像素点对检测的结果的贡献度是不一样的。其中，一些对检测结果影响较高的特征是区别真假活体人脸图像的关键，使模型较容易得出准确的图像检测结果，一些对检测结果影响较低的特征，不能直接为模型提供有效的识别信息。当预先确定了图像中各像素对图像检测结果的影响程度之后，便可以让被训练的初始人脸检测模型有方向的去挖掘并学习对检测结果影响较高的特征。例如，根据预先确定的各个像素点对模型监测结果的影响程度，可以将训练样本图像中影响程度较高的像素点进行擦除操作，即得到经过预处理的第一图像，将第一图像输入到需要训练的初始人脸检测模型中，从而提高人脸检测模型进行图像检测的难度，使训练得到的预设人脸检测模型可以在图像丢失重要的提示特征信息时，依然能输出够得到准确的检测结果。其中，像素点对模型检测结果影响的重要程度的评价可以通过预先训练的像素评分模型或者像素评分算法确定。

此外，考虑到擦除了对检测结果影响程度较高的重要像素之后，第一图像会影响模型分类结果，所以，在基于第一图像对初始人脸检测模型进行训练的同时，还会基于第二图像对预设人脸检测模型进行训练，即设置了另一路用于被训练的初始人脸检测模型探索线索的模型训练路径。但是，在该路径上如果将训练样本图像直接输入到初始人脸检测模型中，上述基于第一图像进行模型训练的操作就失去了意义。因此，在该路人脸检测模型的训练路径中，采用随机的遮挡训练样本图像方式进行图像的处理，以对被训练的模型增加图像特征学习的难度。在训练过程中，两个训练路径中的被训练的初始人脸检测模型的权重参数是保持同步更新的。通过双路径的训练过程，最终得到性能得到优化的预设人脸检测模型，在不同的人脸攻击下，即便缺失了重要的特征信息，也能够对待检测图像进行特征的提取学习，最终输出准确的人脸图像检测结果。

本公开实施例的技术方案，可以通过获取待检测人脸图像，将待检测人脸图像输入至预设人脸检测模型中，获取人脸图像检测结果；而其中，预设人脸检测模型是通过在训练过程中，基于根据训练样本图像中像素对图像检测结果的影响程度对训练样本图像进行预处理得到的第一图像以及对训练样本图像按照预设遮挡策略进行遮挡后生成的第二图像建立的同步模型训练路径训练生成的，能够充分学习对检测结果影响程度不同的图像特征，从而提高模型特征学习能力。本公开实施例公开的技术方案解决了现有的人脸图像检测模型优化效果不佳，模型泛化能力较低的问题，能够在人脸图像检测的过程中，提高模型对图像特征的学习能力，得到监测准确度更高的图像检测结果，提高目标训练模型的泛化能力。

实施例二

本公开实施例与上述实施例中所提供的人脸图像检测方法中各个可选方案可以结合。本实施例所提供的人脸图像检测方法，在上述实施例的基础上进行优化，进一步描述了预设人脸检测模型的训练过程。

图2为本公开实施例二所提供的一种人脸图像检测方法的流程示意图。如图2所示，本实施例提供的人脸图像检测方法，包括：

S210、将训练样本图像输入到预设卷积神经网络中，进行目标人脸检测模型的第一阶段训练，得到初始人脸检测模型。

其中，训练样本图像可以是活体人脸图像以及非活体人脸图像，那么目标卷积神经网络模型便是用于对人脸活体图像进行识别，适用于身份识别及认证的场景，例如，账户登录，交易信息的确定等。或者是其他需要进行活体人脸图像识别场景。在本实施例中并不限定预设卷积神经网络模型的类型，即不限定卷积神经网络的卷积层的数量以及各卷积层中的卷积核的数量，可以根据人脸图像检测的效果进行调整，也可以根据相关经验进行模型参数的初始化设置。

通常，在模型训练过程中，会对初始化后的预设卷积神经网络持续的进行多个轮次的训练，直到完成最终的模型训练目标。一个轮次是指所有的模型训练样图像本，依次输入到被训练的模型中进行模型训练的过程。在第一阶段的训练过程中，可以对预设的卷积神经网络进行2-3个轮次的模型训练，得到初始人脸检测模型，以作为第二阶段模型训练的起点。当然，根据模型训练参数的设定情况，第一阶段训练过程持续的轮次数量并不限定。

S220、将所述训练样本图像输入到内嵌有像素评分功能模块的初始人脸检测模型中，对所述训练样本图像中各像素对图像检测结果的影响程度进行评分。

具体的，像素评分功能模块可以是一个用于像素评分的算法，例如Deep LIFT(Deep Learning Important Features)算法，其是一个基于反向传播的特征打分算法，它获取初始人脸检测模型的输出，然后基于模型参数为训练样本图像中各像素点进行评分。在得到各像素点的评分结果后，可以将它们的重要性评分归一化到(0，1)之间。

进一步的，根据重要性评分以及设定的分数阈值，将像素被分成线索和提示。其中，评分高于预设评分阈值的像素点可以认为是提示，评分低于预设评分阈值的被认为是线索。本质上，线索和提示都是被训练的人脸检测模型用以推理的基础，只是提示更容易体现非活体人脸检测图像，使模型检测结果的准确度提高。相比于非活体人脸检测图像，活体人脸图像的提示与线索非常相近。因此，在目标人脸检测模型的训练过程中，对像素点进行打分的目标是获取对非活体人脸图像的分类结果较为重要的像素。而且，Deep LIFT算法是与被训练的人脸检测模型的权重和结构相关的算法，相当于在初始人脸检测模型的运行过程中，调用了Deep LIFT算法，该算法基于模型的参数及输出结果进行像素的评分。

步骤S220相当于是第二阶段模型训练中的准备步骤。第二阶段的模型训练过程如图3中黑色实线的曲线箭头所指示的过程。训练样本图像会输入到像素评分功能模块中，进行像素点的评分，确定训练样本图像中对模型输出结果的影响度。

S230、将所述训练样本图像中评分结果大于预设分数阈值的像素点进行擦除得到所述第一图像。

在确定了训练样本图像各像素点的评分之后，将评分结果大于预设分数阈值的像素点进行擦除，即是将训练样本图像中的提示进行擦除，可以用所有像素点的像素值之和的平均值替代所有评分结果大于预设分数阈值的像素点的像素值。或者，还可以统一采用其他数值替代所有评分结果大于预设分数阈值的像素点的像素值，来将提示进行擦除。从而提高了在第二阶段中，被训练的初始人脸检测模型的特征学习难度。在图3中，经过像素评分功能模块的像素评分之后，便基于评分结果得到了高分像素擦除后的训练样本图像，即第一图像，完成第二阶段模型训练过程中的一条训练路径的图像处理过程。

S240、将所述第一图像和对所述训练样本图像按照预设遮挡策略进行遮挡后生成的第二图像，分别输入到所述初始人脸检测模型中，建立两个同步模型训练路径，对所述目标人脸检测模型进行第二阶段训练。

在执行步骤S220与S230的同时，还会进行训练样本图像的预处理工作得到第二图像，为第二阶段模型训练过程中的另一条模型训练路径的输入图像进行准备。这是考虑到擦除了对检测结果影响程度较高的重要像素之后，第一图像会影响模型分类结果，所以，在基于第一图像对初始人脸检测模型进行训练的同时，还会基于第二图像对预设人脸检测模型进行训练，即设置了另一路用于被训练的初始人脸检测模型探索线索的模型训练路径。但是，在该路径上如果将训练样本图像直接输入到初始人脸检测模型中，上述基于第一图像进行模型训练的操作就失去了意义。因此，采用随机遮挡的方式对训练样本图像进行处理，例如，采用预设维度的全黑像素矩阵，对训练样本图像中像素点进行随机遮挡得到第二图像。随机遮挡的区域位置、遮挡区域的面积大小以及遮挡区域的形状均可以进行设置，或者随机生成相应的遮挡策略。

进一步的，在两个训练路径的图像预处理之后，可以将第一图像和第二图像分别输入到相同的初始人脸检测模型中，由相应的初始人脸检测模型分别进行特征的提取与学习。其中，两个同步模型训练路径中的初始人脸检测模型的参数是相同的且同步更新的。具体的，在这一过程中，被训练的初始人脸检测模型的参数是每经过一个批次的训练更新一次的。一个批次是指在一个轮次中，将训练样本图像分成多组，每组图像输入到被训练的人脸检测模型中一次即完成一个批次的模型训练。在一个模型训练轮次中，包含多个训练批次。

可以理解的是，步骤S220、S230和S240整体上完成了目标人脸检测模型的第二阶段的训练过程，相当于利用第一阶段训练得到的初始人脸检测模型，结合像素评分算法，对训练样本图像中像素点进行打分。再基于根据评分结果处理后的训练样本图像和随机遮挡处理后训练样本图像分别对初始人脸检测模型进行双路径的模型训练。在模型训练的过程中两个训练路径中的初始人脸检测模型的参数是共享的且同步更新的。这个过程使人脸检测模型通过对处理后的图像上的特征学习，探索到更多的线索。此外，在训练过程中，同时对两条路径的输出特征进行约束。模型训练过程中综合了多重损失函数的约束。首先，在两个路径分别输出的结果要分别满足对应的交叉熵损失函数，且同时受到均方误差损失函数的约束，使两个训练路径的学习到的特征尽可能的接近。进一步的，在该阶段的模型训练过程中，还增加了三元组损失函数(triplet loss)和中心损失函数(center loss)的约束。各个损失函数均对应一个预设的权重值，当被训练中的模型输出结果是各个损失函数的加权求和后的数值满足预设的条件即可。其中，triplet loss的目的是减少positive(预测正样本)与训练样本之间的距离，扩大negative(预测负样本)与训练样本之间的距离。centerloss可以通过学习每个类的类中心，使得类内的距离变得更加紧凑。综合各项约束，使模型得到很好的优化，因此，对于跨域的人脸攻击，即使输入的图像没有简单的提示，模型也可以使用获得的线索来正确检测假脸。

在一种优选的实施方式中，在模型训练的第二阶段，也会经过多个轮次的训练，例如十几个轮次，甚至更多训练轮次。其中，内嵌有像素评分功能模块的初始人脸检测模型的参数也是会随着第二阶段模型训练的轮次进行更新的。具体的，在对预设人脸检测模型进行第二阶段训练过程中，在每个模型训练轮次后，将对初始人脸检测模型进行训练更新的参数值，同步更新到内嵌有像素评分功能模块的初始人脸检测模型，直到所述第二阶段训练过程达到预设模型训练轮次。这是由于，在第二阶段的训练，是期望模型能探索更多的线索。在经过几个轮次的训练后，训练过程中的初始人脸检测模型开始可以拟合到一些简单的模式，此时的高分数像素更符合提示的定义。但是，如果一直更新内嵌有像素评分功能模块的初始人脸检测模型的参数，训练的模型则难以学习新的线索。因此，内嵌有像素评分功能模块的初始人脸检测模型的参数更新了数个训练轮次后会停止更新。进而在后续的模型训练轮次中，依旧使用最后一次更新的内嵌有像素评分功能模块的初始人脸检测模型去获取训练样本图像中各像素的评分，并根据评分结果擦除提示。在第二阶段训练中，内嵌有像素评分功能模块的初始人脸检测模型的参数停止更新后的训练轮次中，评分较高的提示信息被稳定且持续的擦除，从而训练的人脸检测模型能探索更多的线索。

S250、将所述训练样本图像直接输入到第二阶段训练得到的人脸检测模型中，进行所述目标人脸检测模型的第三阶段训练，得到所述目标人脸检测模型。

在目标人脸检测模型的第三训练阶段，即模型训练的后期，去掉擦除提示的操作，直接把训练样本输入到在上一模型训练阶段训练得到的模型中，开始常规的模型训练过程，那么被训练的模型可以重新获得关于能让检测分类结果的提示。该第三阶段的训练过程，通常会持续几个训练轮次，模型复兴提示的优势。相当于目标人脸检测模型，在第二阶段的训练中学习到了较难的图像检测模式，在第三阶段中，重新适应较为简单的图像检测模式，那么对于简单模式下的检测来说，都能够顺利的完成图像检测的任务，模型的检测能力有所提升，能够应对更多的跨域数据。图3中的虚线表示的曲线箭头，则指示了第三阶段的模型训练过程，将训练样本图像直接输入到第二阶段训练得到的人脸检测模型中。

S260、获取待检测人脸图像。

待检测人脸图像可以是人脸活体图像，是在需要身份识别及认证的场景下采集到的图像，例如，在账户登录，或交易信息的确定等场景中，需要进行面部识别验证，实时的通过应用客户端所在终端设备的图像采集功能模块采集目标对象的面部图像。待检测人脸图像也可能是非活体人脸图像，如预先存储在终端设备中的人脸图像，或者采集到的已有人脸图像的图像。

S270、将所述待检测人脸图像输入至所述目标人脸检测模型中，获取人脸图像检测结果。

在获取到需要检测的人脸图像之后，便可以将待检测人脸图像输入至经过上述步骤训练得到的目标人脸检测模型，以获取最终的检测结果，判断待检测人脸图像是活体人脸图像还是非活体人脸图像。

本公开实施例的技术方案，通过三个模型训练的阶段，并在第二模型训练阶段中，利用第一阶级训练得到的初始人脸检测模型结合像素评分算法对训练样本图像中的像素进行评分，并将高评分的提示信息进行擦除。进一步基于提示信息擦除后的训练样本图像和随机遮挡处理的训练样本图像进行双路径同步训练，以提升人脸检测模型的特征探索能力；最终，再通过第三阶段的训练使模型重拾识别提示信息的能力，训练得到目标人脸检测模型。进而，在需要进行人脸图像检测时，可以将待测人脸图像输入到目标人脸检测模型中，得到对应的检测结果。本公开实施例公开的技术方案解决了现有的人脸图像检测模型优化效果不佳，模型泛化能力较低的问题，能够在人脸图像检测的过程中，提高模型对图像特征的学习能力，得到监测准确度更高的图像检测结果，提高目标训练模型的泛化能力。

实施例三

图4为本公开实施例三所提供的一种人脸图像检测装置结构示意图。本实施例提供的人脸图像检测装置适用于对人脸图像类别进行检测分类的情况，特别适用于活体人脸检测的情形。

如图4所示，人脸图像检测装置包括：图像获取模块310和图像检测模块320。

其中，图像获取模块310，用于获取待检测人脸图像；图像检测模块320，用于将所述待检测人脸图像输入至预设人脸检测模型中，获取人脸图像检测结果；其中，所述预设人脸检测模型是通过，基于根据训练样本图像中像素对图像检测结果的影响程度对训练样本图像进行预处理得到的第一图像以及对所述训练样本图像按照预设遮挡策略进行遮挡后生成的第二图像建立的同步模型训练路径训练生成的。

本公开实施例的技术方案，通过获取待检测人脸图像，将待检测人脸图像输入至预设人脸检测模型中，获取人脸图像检测结果；而其中，预设人脸检测模型是通过在训练过程中，基于根据训练样本图像中像素对图像检测结果的影响程度对训练样本图像进行预处理得到的第一图像以及对训练样本图像按照预设遮挡策略进行遮挡后生成的第二图像建立的同步模型训练路径训练生成的，能够充分学习对检测结果影响程度不同的图像特征，从而提高模型特征学习能力。本公开实施例公开的技术方案解决了现有的人脸图像检测模型优化效果不佳，模型泛化能力较低的问题，能够在人脸图像检测的过程中，提高模型对图像特征的学习能力，得到监测准确度更高的图像检测结果，提高目标训练模型的泛化能力。

在一些可选的实现方式中，人脸图像检测装置还包括模型训练模块，用于：训练所述预设人脸检测模型。所述模型训练模块，包括第一阶段训练子模块、第二阶段训练子模块和第三阶段训练子模块；

其中，所述第一阶段训练子模块，用于将训练样本图像输入到预设卷积神经网络中，进行所述预设人脸检测模型的第一阶段训练，得到初始人脸检测模型；

所述第二阶段训练子模块，用于将所述第一图像和所述第二图像分别输入到所述初始人脸检测模型中，建立两个同步模型训练路径，对所述预设人脸检测模型进行第二阶段训练，其中，所述两个同步模型训练路径中的初始人脸检测模型的参数是相同的且同步更新的；

所述第三阶段训练子模块，用于将所述训练样本图像输入到第二阶段训练得到的人脸检测模型中，进行所述预设人脸检测模型的第三阶段训练，得到所述预设人脸检测模型。

在一些可选的实现方式中，所述第二阶段训练子模块还用于：

将所述训练样本图像输入到内嵌有像素评分功能模块的初始人脸检测模型中，对所述训练样本图像中各像素对图像检测结果的影响程度进行评分；

将所述训练样本图像中评分结果大于预设分数阈值的像素点进行擦除得到所述第一图像。

在一些可选的实现方式中，所述第二阶段训练子模块还用于：

在对所述预设人脸检测模型进行第二阶段训练过程中，在每个模型训练轮次后，将对所述初始人脸检测模型进行训练更新的参数值，同步更新到所述内嵌有像素评分功能模块的初始人脸检测模型，直到所述第二阶段训练过程达到预设模型训练轮次。

在一些可选的实现方式中，所述第二阶段训练子模块还用于：

采用预设维度的全黑像素矩阵，对所述训练样本图像中像素点进行随机遮挡。

在一些可选的实现方式中，对所述预设人脸检测模型进行第二阶段训练的过程中，所述两个同步模型训练路径中模型输出结果的损失函数是包括交叉熵损失函数、均方误差损失函数、三元组损失函数和/或中心损失函数的组合损失函数。

在一些可选的实现方式中，所述训练样本图像包括活体人脸图像和非活体人脸图像。

本公开实施例所提供的人脸图像检测装置，可执行本公开任意实施例所提供的人脸图像检测方法，具备执行方法相应的功能模块和有益效果。

值得注意的是，上述装置所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本公开实施例的保护范围。

实施例四

下面参考图5，其示出了适于用来实现本公开实施例的电子设备(例如图5中的终端设备或服务器)400的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图5示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图5所示，电子设备400可以包括处理装置(例如中央处理器、图形处理器等)401，其可以根据存储在只读存储器(Read-Only Memory，ROM)402中的程序或者从存储装置406加载到随机访问存储器(Random Access Memory，RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中，还存储有电子设备400操作所需的各种程序和数据。处理装置401、ROM 402以及RAM403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。

通常，以下装置可以连接至I/O接口405：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置406；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置407；包括例如磁带、硬盘等的存储装置408；以及通信装置409。通信装置409可以允许电子设备400与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备400，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置409从网络上被下载和安装，或者从存储装置406被安装，或者从ROM402被安装。在该计算机程序被处理装置401执行时，执行本公开实施例的人脸图像检测方法中限定的上述功能。

本公开实施例提供的电子设备与上述实施例提供的人脸图像检测方法属于同一公开构思，未在本实施例中详尽描述的技术细节可参见上述实施例，并且本实施例与上述实施例具有相同的有益效果。

实施例五

本公开实施例提供了一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述实施例所提供的人脸图像检测方法。

需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(Erasable Programmable Read-Only Memory，EPROM)或闪存(FLASH)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：

获取待检测人脸图像；

将所述待检测人脸图像输入至预设人脸检测模型中，获取人脸图像检测结果；

其中，所述预设人脸检测模型是通过，基于根据训练样本图像中像素对图像检测结果的影响程度对训练样本图像进行预处理得到的第一图像以及对所述训练样本图像按照预设遮挡策略进行遮挡后生成的第二图像建立的同步模型训练路径训练生成的。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元、模块的名称在某种情况下并不构成对该单元、模块本身的限定，例如，数据生成模块还可以被描述为“视频数据生成模块”。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FieldProgrammable Gate Array，FPGA)、专用集成电路(Application Specific IntegratedCircuit，ASIC)、专用标准产品(Application Specific Standard Parts，ASSP)、片上系统(System on Chip，SOC)、复杂可编程逻辑设备(CPLD)等等。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

根据本公开的一个或多个实施例，【示例一】提供了一种人脸图像检测方法，该方法包括：

获取待检测人脸图像；

将所述待检测人脸图像输入至预设人脸检测模型中，获取人脸图像检测结果；

其中，所述预设人脸检测模型是通过，基于根据训练样本图像中像素对图像检测结果的影响程度对训练样本图像进行预处理得到的第一图像以及对所述训练样本图像按照预设遮挡策略进行遮挡后生成的第二图像建立的同步模型训练路径训练生成的。

根据本公开的一个或多个实施例，【示例二】提供了一种人脸图像检测方法，还包括：

在一些可选的实现方式中，所述预设人脸检测模型的训练过程包括如下步骤：

将训练样本图像输入到预设卷积神经网络中，进行所述预设人脸检测模型的第一阶段训练，得到初始人脸检测模型；

将所述第一图像和所述第二图像分别输入到所述初始人脸检测模型中，建立两个同步模型训练路径，对所述预设人脸检测模型进行第二阶段训练，其中，所述两个同步模型训练路径中的初始人脸检测模型的参数是相同的且同步更新的；

将所述训练样本图像输入到第二阶段训练得到的人脸检测模型中，进行所述预设人脸检测模型的第三阶段训练，得到所述预设人脸检测模型。

根据本公开的一个或多个实施例，【示例三】提供了一种人脸图像检测方法，还包括：

在一些可选的实现方式中，根据训练样本图像中像素对图像检测结果的影响程度对训练样本图像进行预处理得到第一图像，包括：

将所述训练样本图像输入到内嵌有像素评分功能模块的初始人脸检测模型中，对所述训练样本图像中各像素对图像检测结果的影响程度进行评分；

将所述训练样本图像中评分结果大于预设分数阈值的像素点进行擦除得到所述第一图像。

根据本公开的一个或多个实施例，【示例四】提供了一种人脸图像检测方法，还包括：

在一些可选的实现方式中，所述内嵌有像素评分功能模块的初始人脸检测模型的参数更新策略，包括：

在对所述预设人脸检测模型进行第二阶段训练过程中，在每个模型训练轮次后，将对所述初始人脸检测模型进行训练更新的参数值，同步更新到所述内嵌有像素评分功能模块的初始人脸检测模型，直到所述第二阶段训练过程达到预设模型训练轮次。

根据本公开的一个或多个实施例，【示例五】提供了一种人脸图像检测方法，还包括：

在一些可选的实现方式中，对所述训练样本图像按照预设遮挡策略进行遮挡得到第二图像，包括：

采用预设维度的全黑像素矩阵，对所述训练样本图像中像素点进行随机遮挡。

根据本公开的一个或多个实施例，【示例六】提供了一种人脸图像检测方法，还包括：

在一些可选的实现方式中，对所述预设人脸检测模型进行第二阶段训练的过程中，所述两个同步模型训练路径中模型输出结果的损失函数是包括交叉熵损失函数、均方误差损失函数、三元组损失函数和/或中心损失函数的组合损失函数。

根据本公开的一个或多个实施例，【示例七】提供了一种人脸图像检测方法，还包括：

在一些可选的实现方式中，所述训练样本图像包括活体人脸图像和非活体人脸图像。

根据本公开的一个或多个实施例，【示例八】提供了一种人脸图像检测装置，还包括：

图像获取模块，用于获取待检测人脸图像；

图像检测模块，用于将所述待检测人脸图像输入至预设人脸检测模型中，获取人脸图像检测结果；

其中，所述预设人脸检测模型是通过，基于根据训练样本图像中像素对图像检测结果的影响程度对训练样本图像进行预处理得到的第一图像以及对所述训练样本图像按照预设遮挡策略进行遮挡后生成的第二图像建立的同步模型训练路径训练生成的。

根据本公开的一个或多个实施例，【示例九】提供了一种人脸图像检测装置，还包括：

在一些可选的实现方式中，人脸图像检测装置还包括模型训练模块，用于：训练所述预设人脸检测模型。

所述模型训练模块，包括第一阶段训练子模块、第二阶段训练子模块和第三阶段训练子模块；

其中，所述第一阶段训练子模块，用于将训练样本图像输入到预设卷积神经网络中，进行所述预设人脸检测模型的第一阶段训练，得到初始人脸检测模型；

所述第二阶段训练子模块，用于将所述第一图像和所述第二图像分别输入到所述初始人脸检测模型中，建立两个同步模型训练路径，对所述预设人脸检测模型进行第二阶段训练，其中，所述两个同步模型训练路径中的初始人脸检测模型的参数是相同的且同步更新的；

所述第三阶段训练子模块，用于将所述训练样本图像输入到第二阶段训练得到的人脸检测模型中，进行所述预设人脸检测模型的第三阶段训练，得到所述预设人脸检测模型。

根据本公开的一个或多个实施例，【示例十】提供了一种人脸图像检测装置，还包括：

在一些可选的实现方式中，所述第二阶段训练子模块还用于：

将所述训练样本图像输入到内嵌有像素评分功能模块的初始人脸检测模型中，对所述训练样本图像中各像素对图像检测结果的影响程度进行评分；

将所述训练样本图像中评分结果大于预设分数阈值的像素点进行擦除得到所述第一图像。

根据本公开的一个或多个实施例，【示例十一】提供了一种人脸图像检测装置，还包括：

在一些可选的实现方式中，所述第二阶段训练子模块还用于：

在对所述预设人脸检测模型进行第二阶段训练过程中，在每个模型训练轮次后，将对所述初始人脸检测模型进行训练更新的参数值，同步更新到所述内嵌有像素评分功能模块的初始人脸检测模型，直到所述第二阶段训练过程达到预设模型训练轮次。

根据本公开的一个或多个实施例，【示例十二】提供了一种人脸图像检测装置，还包括：

在一些可选的实现方式中，所述第二阶段训练子模块还用于：

采用预设维度的全黑像素矩阵，对所述训练样本图像中像素点进行随机遮挡。

根据本公开的一个或多个实施例，【示例十三】提供了一种人脸图像检测装置，还包括：

在一些可选的实现方式中，对所述预设人脸检测模型进行第二阶段训练的过程中，所述两个同步模型训练路径中模型输出结果的损失函数是包括交叉熵损失函数、均方误差损失函数、三元组损失函数和/或中心损失函数的组合损失函数。

根据本公开的一个或多个实施例，【示例十四】提供了一种人脸图像检测装置，还包括：

在一些可选的实现方式中，所述训练样本图像包括活体人脸图像和非活体人脸图像。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。

尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。

Claims (10)

1.一种人脸图像检测方法，其特征在于，包括：

获取待检测人脸图像；

将所述待检测人脸图像输入至预设人脸检测模型中，获取人脸图像检测结果；

其中，所述预设人脸检测模型是通过，基于根据训练样本图像中像素对图像检测结果的影响程度对训练样本图像进行预处理得到的第一图像以及对所述训练样本图像按照预设遮挡策略进行遮挡后生成的第二图像建立的同步模型训练路径训练生成的。

2.根据权利要求1所述的方法，其特征在于，所述预设人脸检测模型的训练过程包括如下步骤：

将训练样本图像输入到预设卷积神经网络中，进行所述预设人脸检测模型的第一阶段训练，得到初始人脸检测模型；

将所述第一图像和所述第二图像分别输入到所述初始人脸检测模型中，建立两个同步模型训练路径，对所述预设人脸检测模型进行第二阶段训练，其中，所述两个同步模型训练路径中的初始人脸检测模型的参数是相同的且同步更新的；

将所述训练样本图像输入到第二阶段训练得到的人脸检测模型中，进行所述预设人脸检测模型的第三阶段训练，得到所述预设人脸检测模型。

3.根据权利要求2所述的方法，其特征在于，根据训练样本图像中像素对图像检测结果的影响程度对训练样本图像进行预处理得到第一图像，包括：

将所述训练样本图像输入到内嵌有像素评分功能模块的初始人脸检测模型中，对所述训练样本图像中各像素对图像检测结果的影响程度进行评分；

将所述训练样本图像中评分结果大于预设分数阈值的像素点进行擦除得到所述第一图像。

4.根据权利要求3所述的方法，其特征在于，所述内嵌有像素评分功能模块的初始人脸检测模型的参数更新策略，包括：

在对所述预设人脸检测模型进行第二阶段训练过程中，在每个模型训练轮次后，将对所述初始人脸检测模型进行训练更新的参数值，同步更新到所述内嵌有像素评分功能模块的初始人脸检测模型，直到所述第二阶段训练过程达到预设模型训练轮次。

5.根据权利要求2所述的方法，其特征在于，对所述训练样本图像按照预设遮挡策略进行遮挡得到第二图像，包括：

采用预设维度的全黑像素矩阵，对所述训练样本图像中像素点进行随机遮挡。

6.根据权利要求2所述的方法，其特征在于，对所述预设人脸检测模型进行第二阶段训练的过程中，所述两个同步模型训练路径中模型输出结果的损失函数是包括交叉熵损失函数、均方误差损失函数、三元组损失函数和/或中心损失函数的组合损失函数。

7.根据权利要求1-6中任一所述的方法，其特征在于，所述训练样本图像包括活体人脸图像和非活体人脸图像。

8.一种人脸图像检测装置，其特征在于，包括：

图像获取模块，用于获取待检测人脸图像；

图像检测模块，用于将所述待检测人脸图像输入至预设人脸检测模型中，获取人脸图像检测结果；

其中，所述预设人脸检测模型是通过，基于根据训练样本图像中像素对图像检测结果的影响程度对训练样本图像进行预处理得到的第一图像以及对所述训练样本图像按照预设遮挡策略进行遮挡后生成的第二图像建立的同步模型训练路径训练生成的。

9.一种电子设备，其特征在于，所述电子设备包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的人脸图像检测方法。

10.一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7中任一所述的人脸图像检测方法。

Images