[发明专利]一种人脸检测模型训练方法、装置和介质

说明书

技术领域

本发明涉及人脸识别技术领域，尤其涉及一种人脸检测模型训练方法、装置和介质。

背景技术

本部分旨在为权利要求书中陈述的本发明的实施方式提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。

随着智能摄像机的推广，智能摄像机走进千家万户，用户希望摄像机不仅仅是一个录制视频的设备，更希望摄像机能具有一些智能功能。最常见的智能功能也是用户关注最多的是人脸的检测与识别，而人脸检测也是人脸识别的第一步。通常需要对人脸检测模型进行不断的更新迭代，以使人脸检测模型适应不同的应用场景。

Haar+adaboost算法是一种轻量级的人脸检测算法，在实际中有很多应用。但是在实际应用中，为了提高人脸检测的准确性，人们对算法的改进主要集中于改进算法在检测方面的性能，如用更复杂的特征，或者改进adaboost算法。

这些改进的算法在一定程度上提高了人脸检测的准确度，但是上未有算法涉及对人脸检测模型训练过程进行优化。随着人脸检测应用场景的多样化、复杂化，经常需要训练或者更新人脸检测模型以适应不同的应用场景。由于用于训练的样本数量十分巨大，训练过程耗时较长。而且每次训练后，都需要进行测试，以检测训练的效果。若每次训练都消耗大量的时间，这显然不利于人脸检测算法的迭代更新发展。

发明内容

本发明实施例提供一种人脸检测模型训练方法、装置和介质，用以对人脸检测模型训练过程进行改进，以减少人脸检测模型所需的训练时间，提高人脸检测算法人脸检测模型训练的效率。

第一方面，提供一种人脸检测模型训练方法，包括：

针对给定的训练样本，利用预设算法进行多次训练得到强分类器及其所包含的弱分类器的分类结果集合并存储，其中，每一次训练之前更新所述训练样本中各样本的权重；

根据存储的分类结果集合，如果判断出所述强分类器不满足第一预设条件，则增加用于训练强分类器的弱分类器数量后，利用所述训练样本重新训练得到新的强分类器，直至得到的强分类器满足所述第一预设条件；

利用得到的强分类器更新级联分类器；

如果所述级联分类器的误检率不大于第一预设阈值则结束训练，否则，更新训练样本重新训练，直至得到的级联分类器的误检率不大于第一预设阈值。

其中，针对给定的训练样本，利用预设算法进行多次训练得到强分类器及其所包含的弱分类器的分类结果集合并存储，具体包括：

针对给定的训练样本，提取所述训练样本对应的N个Haar特征得到与每一Haar特征分别对应的N个弱分类器，其中，N为大于等于1的整数；

分别利用每一弱分类器对所述训练样本进行分类得到相应的分类结果；

根据所述分类结果确定本次训练得到的最优弱分类器；

将得到的最优弱分类器添加至强分类器中，并在强分类器的分类结果集合中添加本次训练得到的最优弱分类器的分类结果；

如果得到的强分类器中包含的最优弱分类器的数量小于第二预设阈值，则根据最优弱分类器的分类结果更新所述训练样本中每一样本的权重，并重新训练得到新的最优弱分类器并存储分类结果，直至所述强分类器中包含的最优弱分类器的数量达到所述第二预设阈值。

可选地，按照以下流程判断所述强分类器是否满足第一预设条件：

根据所述强分类器对应的分类结果集合确定所述强分类器对应的分类阈值；

根据所述分类阈值确定所述强分类器对应的误检率；

如果所述误检率不大于预设误检率阈值，则确定所述强分类器满足第一预设条件，如果所述误检率大于所述预设误检率阈值，则确定所述强分类器不满足第一预设条件。

可选地，针对每一样本，按照以下方法提取该样本对应的Haar特征：

F＝(Sum_b-Sum_w)/(Sum_b+Sum_w)，其中：

F表示该样本对应的任一Haar特征；

Sum_b表示第一区域内的像素和；

Sum_w表示第二区域内的像素和。

第二方面，提供一种人脸检测模型训练装置，包括：

第一训练单元，用于针对给定的训练样本，利用预设算法进行多次训练得到强分类器及其所包含的弱分类器的分类结果集合并存储，其中，每一次训练之前更新所述训练样本中各样本的权重；