[发明专利]人脸检测方法及装置

说明书

本发明实施例提供一种人脸检测方法及装置，该方法包括：将处理后的待检测图片输入至训练后的改进型多任务级联卷积神经网络，所述改进型多任务级联卷积神经网络是在多任务级联卷积神经网络网络结构的基础上加入特征融合结构构建的；获取所述改进型多任务级联卷积神经网络输出层中所述待检测图片的人脸检测结果。由于改进型多任务级联卷积神经网络充分利用了除每一级最后一层卷积层网络之外其他卷积层提取的特征，强化了对特征的利用能力，从而提升了对人脸的检测能力，进而提高了人脸检测的召回率和准确率。

技术领域

本发明实施例涉及计算机技术领域，尤其涉及一种人脸检测方法及装置。

背景技术

人脸检测，是基于人的脸部特征信息进行身份识别的一种生物识别技术，可用于多种领域，如小区门禁、公司考勤、司法刑侦等。目前，人脸检测方法已得到广泛应用，随着人工智能的不断发展，人脸检测方法也在逐步更替，从以往的人工特征提取向深度学习方向转变。

在人脸检测领域的众多人脸检测方法中，多任务级联卷积神经网络(Multi-taskCascaded Convolutional Networks，MTCNN)在检测速度和检测性能上的表现十分出众，因此得到广泛应用。MTCNN包括Proposal Network(简称P-Net)、Refine Network(简称R-Net)以及Output Network(简称O-Net)三个级联卷积网络，待检测图像首先经过第一级卷积网络P-Net的处理后，得到多个人脸候选框，而后将得到的多个人脸候选框所框定的图像作为输入，输入至下一级卷积网络R-Net进行处理，得到精确人脸候选框，进而将得到的精确人脸候选框所框定的图像作为输入，输入至最后一级卷积网络O-Net进行处理，最终得到能够在该待检测图像中标识出人脸的人脸框。

相对于Faster Region-based Convolutional Neural Networks(简称faster-RCNN)，Single Shot multibox Detector(简称SSD)等单级的检测模型，由于MTCNN是多级结构，在检测的准确率和召回率上还有一定差距。因此，如何有效提高基于MTCNN的人脸检测方法的召回率和准确率是目前亟需解决的问题。

发明内容

为了解决上述问题，本发明实施例提供一种人脸检测方法及装置。

第一方面，本发明提供一种人脸检测方法，包括：将处理后的待检测图片输入至训练后的改进型MTCNN，所述改进型MTCNN是在MTCNN网络结构的基础上加入特征融合结构构建的；获取所述改进型MTCNN输出层中所述待检测图片的人脸检测结果。

第二方面，本发明提供一种人脸检测装置，包括：处理模块，用于将处理后的待检测图片输入至训练后的改进型MTCNN，所述改进型MTCNN是在MTCNN网络结构的基础上加入特征融合结构构建的；输出模块，用于获取所述改进型MTCNN输出层中所述待检测图片的人脸检测结果。

第三方面，本发明提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现本发明第一方面人脸检测方法的步骤。

第四方面，本发明提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现本发明第一方面人脸检测方法的步骤。

本发明实施例提供的人脸检测方法，通过修改MTCNN的网络结构，在原有MTCNN的网络架构中加入了特征融合结构，以构成改进型MTCNN模型，由于改进型MTCNN充分利用了除每一级最后一层卷积层网络之外其他卷积层提取的特征，强化了对特征的利用能力，从而提升了对人脸的检测能力，进而提高了人脸检测的召回率和准确率。

附图说明