[发明专利]一种人脸检测器训练方法、装置及电子设备

说明书

本发明实施例提供一种人脸检测器训练方法、装置及电子设备，该方法包括：获取当前次迭代的批数据训练样本；确定各训练样本对应的中心损失值；根据各训练样本对应的中心损失值，确定批数据训练样本对应的中心损失值；至少根据批数据训练样本对应的中心损失值，确定人脸检测器的目标损失值；若人脸检测器的目标损失值未达到收敛条件，根据人脸检测器的目标损失值，更新CNN模型中的网络参数，并进入下一次迭代；若人脸检测器的目标损失值达到收敛条件，输出人脸检测器。本发明实施例能够使得人脸检测器在保证对人脸和非人脸具有较高的类间检测性能的同时，对于人脸的类内差异具有不变性，提升人脸检测的鲁棒性。

技术领域

本发明涉及图像处理技术领域，具体涉及一种人脸检测器训练方法、装置及电子设备。

背景技术

人脸检测是通过人脸检测器从图像中检测出人脸的技术，人脸检测器的训练好坏，直接影响到人脸的检测效果，因此如何优化人脸检测器的训练过程一直是本领域技术人员研究的重点。

随着深度学习的发展，基于CNN(Convolutional Neural Network，卷积神经网络)的人脸检测器训练已成为人脸检测器的一种主流训练方式，例如使用Faster RCNN(FasterRegion-based Convolutional Neural Network)的卷积神经网络进行人脸检测器的训练等；基于CNN的人脸检测器的训练过程主要是：构建CNN模型，通过训练样本进行迭代的训练，以在每次迭代时更新CNN模型的网络参数，实现人脸检测器的训练优化；其中，每次迭代时更新CNN模型的网络参数的过程，可以认为是人脸检测器的优化过程。

本发明的发明人发现，目前的人脸检测器的优化目标主要是最大化人脸和非人脸的差异(即最大化类间差异)，然而对于人脸和人脸之间的差异则没有太多的关注，这使得人脸检测器在应对不同场景下的人脸变化时，人脸检测的判别能力较弱，鲁棒性较差。

发明内容

有鉴于此，本发明实施例提供一种人脸检测器训练方法、装置及电子设备，以提升人脸检测器的人脸检测判别能力，提升人脸检测器的鲁棒性。

为实现上述目的，本发明实施例提供如下技术方案：

一种人脸检测器训练方法，包括：

获取当前次迭代的批数据训练样本，所述批数据训练样本包括多个训练样本，所述多个训练样本的样本类包括：正类和负类；

分别根据各训练样本的特征向量，及各训练样本所属的样本类的中心特征向量，确定各训练样本对应的中心损失值；

根据所述各训练样本对应的中心损失值，确定所述批数据训练样本对应的中心损失值；

至少根据所述批数据训练样本对应的中心损失值，确定人脸检测器的目标损失值；

若所述人脸检测器的目标损失值未达到设定的训练收敛条件，根据所述人脸检测器的目标损失值，更新卷积神经网络CNN模型的网络参数，并进入下一次迭代；

若所述人脸检测器的目标损失值达到设定的训练收敛条件，输出人脸检测器。

本发明实施例还提供一种人脸检测器训练装置，包括：

样本获取模块，用于获取当前次迭代的批数据训练样本，所述批数据训练样本包括多个训练样本，所述多个训练样本的样本类包括：正类和负类；

样本中心损失值确定模块，用于分别根据各训练样本的特征向量，及各训练样本所属的样本类的中心特征向量，确定各训练样本对应的中心损失值；

批样本中心损失值确定模块，用于根据所述各训练样本对应的中心损失值，确定所述批数据训练样本对应的中心损失值；

检测器目标损失值确定模块，用于至少根据所述批数据训练样本对应的中心损失值，确定人脸检测器的目标损失值；