[发明专利]一种人脸检测方法及人脸检测装置、存储介质

说明书

一种人脸检测方法及人脸检测装置、存储介质。第一方面，人脸检测方法中采用选择机制，通过前一次的检测结果从人脸识别处理和人脸跟踪处理中选择一种较优的处理方法，利于增强该人脸检测方法的实用效果；第二方面，由于在人脸识别处理过程中引入了人脸识别的轻量级深度神经网络，可对人脸区域进行有效的识别和定位，利于提高检测准确度；第三方面，引入了人脸置信度，利于解决人脸跟踪阶段所产生的漂移问题，修正跟踪偏差，提高人脸区域的输出精确度；第四方面，在轻量级深度神经网络构建的基础之上加入了感兴趣区域ROI的预测方法，可避免对整张图像进行人脸识别所引起的耗时较长的情形，利于提高人脸识别处理的执行速度，减小系统的开销。

技术领域

本发明涉及人脸检测技术，具体涉及一种人脸检测方法及人脸检测装置、存储介质。

背景技术

随着电子技术的发展，人脸检测与识别成为最有潜力的生物身份验证手段，要求自动人脸识别系统能够对一般图象具有一定的识别能力，由此所面临的一系列问题使得人脸检测开始作为一项重要的研究课题。当前，人脸检测是自动人脸识别系统中的一个关键环节，其应用背景已经远远超出了人脸识别系统的范畴，在基于内容的检索、数字视频处理、视频检测等方面有着重要的应用价值。

人脸检测是人脸美容、人脸特效、人脸识别、人脸属性分析、疲劳驾驶检测等领域中必要的预前处理步骤，因而具有较高的商业价值和应用价值。但是，在实际应用中，由于受人脸的表情变化、头发遮挡、佩戴饰品遮挡、环境光照变化、身体角度变换、成像条件等因素的影响，使得人脸检测仍面临着较大的技术挑战，相关的人脸检测算法只有得到进一步地完善时，才能为人脸检测的的实际应用效果提供保证。

当前，人脸检测算法可以简单的分为：基于肤色的人脸检测、基于几何特征的人脸检测、基于统计学习的人脸检测和基于深度学习的人脸检测。其中，基于深度学习的人脸检测多借助于深度神经网络以达到检测目的，相比而言，其检测准确度较高、优化效果明显，具有较大的发展前景。比如，基于RCNN 系列的人脸检测抛弃了滑动窗生成候选区域的方法，使用proposal的方式，该种方法虽然可获得高检测率，但是存在深度神经网络构成复杂，检测速度慢的缺点；基于级联CNN模式的人脸检测中人脸特征提取和分类往往由CNN统一来完成，需要在级联结构中设置6个CNN，并利用3个CNN来进行人脸和非人脸的分类判断，增加了分类判断的耗时，不利于人脸检测的快速实现效果。

发明内容

本发明主要解决的技术问题是如何提高基于深度学习的人脸检测的检测速度和检测精度。为解决上述技术问题，本申请提供一种人脸检测方法及其装置。

根据第一方面，一种实施例中提供一种人脸检测方法，包括以下步骤：

在一图像序列中获取待检测图像；

根据前一次在所述图像序列中的人脸检测结果选择所述待检测图像的处理方式，当前一次在所述图像序列中检测出人脸时，则对所述待检测图像进行人脸跟踪处理，反之，则对所述待检测图像进行人脸识别处理；

根据处理的结果输出所述待检测图像中的人脸区域。

所述根据前一次在所述图像序列中的人脸检测结果选择所述待检测图像的处理方式，包括：

对所述图像序列中的各帧图像依次进行处理，将所述待检测图像的上一帧图像的人脸检测结果作为前一次的人脸检测结果，根据所述前一次的人脸检测结果选择所述待检测图像的处理方式。

所述将所述待检测图像的上一帧图像的人脸检测结果作为前一次的人脸检测结果，包括：

获取所述待检测图像的上一帧图像中输出的人脸区域；

将所述上一帧图像输出的人脸区域输入至一用于人脸置信计算的深度神经网络，得到人脸置信度；