一种训练模型生成方法、人脸检测方法及装置与流程

本发明涉及人脸检测领域，尤其涉及训练模型生成方法、人脸检测方法、训练模型生成装置及人脸检测装置。

背景技术：

人脸检测技术是模式识别和人工智能领域的一个研究热点，被广泛应用于安全系统、医学、档案管理、视频图像处理、在线支付、人机交互等方面。智能手机的发展和应用使得人们对人脸相关的交互方式渐渐有了较强的需求，所以具有高精度并且具有实时性的人脸检测技术也变得至关重要。

传统的基于HAAR+Adaboost的快速人脸检测装置在PC、数码相机里已经得到了广泛的应用，但是均是结合了跟踪才能进行比较实时的人脸区域定位。

当前提取特征的方式通常较为复杂，包括HAAR特征，也需要进行灰度区块的统计计算，并且传统的boost弱分类器性能较弱，仅仅具有比50％稍微好一些的分类效果，所以导致级联成强分类器时需要较多的弱分类器。为了保持较高的精度，检测耗时也会增加，所以精度和实时性是比较矛盾的指标，而且基于手机等嵌入式移动通信设备人脸检测耗时偏大的问题，难以应用到实际场景中。

技术实现要素：

本发明实施例所要解决的技术问题在于，提供一种训练模型生成方法、人脸检测方法、训练模型生成装置及人脸检测装置，解决现有技术中为了保证精度和实时性，基于手机等嵌入式移动通信设备人脸检测耗时偏大的问题，难以应用到实际场景中的技术问题。

为了解决上述技术问题，本发明实施例第一方面公开了一种训练模型生成方法，包括：

获取多个人脸正样本和多个人脸负样本；

计算每个样本中的每个像素与所述样本自身的其他像素之间的像素差特征；

从计算出的所有像素差特征中选取一个目标像素差特征，并设置所述目标像素差特征对应的点坐标和像素差值作为决策树的判断节点，用于判断区分正负样本；

将所述决策树的判断节点作为弱分类器进行级联；

迭代执行所述从计算出的所有像素差特征中选取一个目标像素差特征至所述将所述决策树的判断节点作为弱分类器进行级联的步骤，最终生成强分类器；

保存所述强分类器中决策树的每个判断节点对应的点坐标和像素差值，以生成用于人脸检测的训练模型。

结合第一方面，在第一种可能的实现方式中，所述获取多个人脸正样本和多个人脸负样本，包括：

搜集多个人脸正样本和多个人脸负样本；

将搜集的所有样本的尺寸统一处理为预设像素尺寸大小；

其中，生成的所述训练模型为通过所述预设像素尺寸大小的扫描窗口进行人脸检测的训练模型。

结合第一方面的第一种可能的实现方式，在第二种可能的实现方式中，所述将搜集的所有样本的尺寸统一处理为预设像素尺寸大小，包括：将搜集的所有样本的尺寸统一处理为N个不同预设像素尺寸大小；所述N为大于1的正整数；

其中，对应生成的N个所述训练模型中，不同的训练模型为不同的预设像素尺寸大小的扫描窗口进行人脸检测的训练模型。

本发明实施例第二方面公开了一种人脸检测方法，包括：

读取用于人脸检测的训练模型；其中所述训练模型为上述的训练模型生成方法生成的训练模型；

通过扫描窗口，根据所述训练模型的强分类器中的当前判断节点对应的点坐标提取待检测图像中的像素差特征，并根据当前判断节点对应的像素差值判断是否为人脸窗口，直到按照决策树完成所需判断节点的判断。

结合第二方面，在第一种可能的实现方式中，所述训练模型包括多个不同的预设像素尺寸大小的扫描窗口进行人脸检测的训练模型；

所述通过扫描窗口，根据所述训练模型的强分类器中的当前判断节点对应的点坐标提取待检测图像中的像素差特征，并根据当前判断节点对应的像素差值判断是否为人脸窗口，直到按照决策树完成所需判断节点的判断，包括：

通过所述多个不同预设像素尺寸大小的扫描窗口，分别根据所述训练模型对应的强分类器中的当前判断节点对应的点坐标提取待检测图像中的像素差特征，并根据当前判断节点对应的像素差值判断是否为人脸窗口，直到按照决策树完成所需判断节点的判断；

对多个检测出人脸的人脸窗口进行融合处理。

结合第二方面，或者第二方面的第一种可能的实现方式，在第二种可能的实现方式中，所述根据当前判断节点对应的像素差值判断是否为人脸窗口，包括：

检测提取的所述像素差特征的值是否大于当前判断节点对应的像素差值；

若检测为是，则判断出为人脸窗口；若检测为否，则判断出不为人脸窗口。

本发明实施例第三方面公开了一种训练模型生成装置，包括：

获取模块，用于获取多个人脸正样本和多个人脸负样本；

计算模块，用于计算每个样本中的每个像素与所述样本自身的其他像素之间的像素差特征；

选取设置模块，用于从计算出的所有像素差特征中选取一个目标像素差特征，并设置所述目标像素差特征对应的点坐标和像素差值作为决策树的判断节点，用于判断区分正负样本；

级联模块，用于将所述决策树的判断节点作为弱分类器进行级联；

迭代模块，用于迭代执行所述从计算出的所有像素差特征中选取一个目标像素差特征至所述将所述决策树的判断节点作为弱分类器进行级联的步骤，最终生成强分类器；

保存模块，用于保存所述强分类器中决策树的每个判断节点对应的点坐标和像素差值，以生成用于人脸检测的训练模型。

结合第三方面，在第一种可能的实现方式中，所述获取模块包括：

搜集单元，用于搜集多个人脸正样本和多个人脸负样本；

尺寸处理单元，用于将搜集的所有样本的尺寸统一处理为预设像素尺寸大小；

其中，生成的所述训练模型为通过所述预设像素尺寸大小的扫描窗口进行人脸检测的训练模型。

结合第三方面的第一种可能的实现方式，在第二种可能的实现方式中，所述尺寸处理单元具体用于，将搜集的所有样本的尺寸统一处理为N个不同预设像素尺寸大小；所述N为大于1的正整数；

其中，对应生成的N个所述训练模型中，不同的训练模型为不同的预设像素尺寸大小的扫描窗口进行人脸检测的训练模型。

本发明实施例第四方面公开了一种人脸检测装置，包括：

读取模块，用于读取用于人脸检测的训练模型；其中所述训练模型为通过权利要求1-3任一项所述的训练模型生成方法生成的训练模型；

提取模块，用于通过扫描窗口，根据所述训练模型的强分类器中的当前判断节点对应的点坐标提取待检测图像中的像素差特征；

判断模块，用于根据当前判断节点对应的像素差值判断是否为人脸窗口，直到按照决策树完成所需判断节点的判断。

结合第四方面，在第一种可能的实现方式中，所述训练模型包括多个不同的预设像素尺寸大小的扫描窗口进行人脸检测的训练模型；

所述提取模块具体用于，通过所述多个不同预设像素尺寸大小的扫描窗口，分别根据所述训练模型对应的强分类器中的当前判断节点对应的点坐标提取待检测图像中的像素差特征；

所述判断模块具体用于，根据当前判断节点对应的像素差值判断是否为人脸窗口，直到按照决策树完成所需判断节点的判断；

所述装置还包括融合模块，用于对多个检测出人脸的人脸窗口进行融合处理。

结合第四方面，或者第四方面的第一种可能的实现方式，在第二种可能的实现方式中，所述判断模块包括：

差值检测单元，用于检测提取的所述像素差特征的值是否大于当前判断节点对应的像素差值；

若检测为是，则判断出为人脸窗口；若检测为否，则判断出不为人脸窗口。

本发明实施例第五方面公开了一种计算机存储介质，所述计算机存储介质存储有程序，所述程序执行时包括本发明实施例第一方面，或者第一方面的第一种可能的实现方式，或者第一方面的第二种可能的实现方式中训练模型生成方法的全部步骤。

本发明实施例第六方面公开了一种计算机存储介质，所述计算机存储介质存储有程序，所述程序执行时包括本发明实施例第二方面，或者第二方面的第一种可能的实现方式，或者第二方面的第二种可能的实现方式中人脸检测方法的全部步骤。

实施本发明实施例，通过获取多个人脸正样本和多个人脸负样本；计算每个样本中的每个像素与样本自身的其他像素之间的像素差特征；从计算出的所有像素差特征中选取一个目标像素差特征，并设置目标像素差特征对应的点坐标和像素差值作为决策树的判断节点，用于判断区分正负样本；将决策树的判断节点作为弱分类器进行级联；迭代多次，最终生成强分类器；保存强分类器中决策树的每个判断节点对应的点坐标和像素差值，以生成用于人脸检测的训练模型。实现了结合决策树形成强分类器进行人脸二分类，能够保证在同样精度下降低人脸检测的耗时，解决现有技术中为了保证精度和实时性，基于手机等嵌入式移动通信设备人脸检测耗时偏大的问题，难以应用到实际场景中的技术问题，达到一个能够保持较高精度并且实时性较高的效果，保证了能够使用在手机等嵌入式移动平台中进行较高精度的人脸检测。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的训练模型生成方法的流程示意图；

图2是本发明实施例提供的人脸检测方法的流程示意图；

图3是本发明实施例提供的结合决策树的强分类器的原理示意图；

图4是本发明实施例提供的训练模型生成装置的结构示意图；

图5是本发明实施例提供的获取模块的结构示意图；

图6是本发明提供的训练模型生成装置的另一实施例的结构示意图；

图7是本发明实施例提供的人脸检测装置的结构示意图；

图8是本发明提供的人脸检测装置的另一实施例的结构示意图；

图9是本发明提供的人脸检测装置的另一实施例的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明各个实施例的训练模型生成方法都可以基于个人计算机来实现，即技术人员通过操作个人计算机，编写训练模型的生成运行代码，即可生成训练模型，并可以最终集成到所需的移动app产品中。

本发明各个实施例的人脸检测方法可以基于个人计算机、个人数字助理(Personal Digital Assis tant,PDA)、媒体播放器、智能移动设备(包括移动电话、移动电脑、平板电脑、智能电视、智能手表、智能眼镜和智能手环等)等设备来实现。也就是说，集成有本发明实施例生成的训练模型的移动app产品可以运行在上述设备中。

下面我们以图1示出的本发明实施例提供的训练模型生成方法的流程示意图，来详细说明本发明实施例提供的训练模型生成方法，包括如下步骤：

步骤S100：获取多个人脸正样本和多个人脸负样本；

具体地，本发明实施例中的人脸正样本即为包含人脸的样本图像，人脸负样本即为不包含人脸的样本图像(例如复杂的环境背景图像、各种物品的图像等)；步骤S100可以搜集L个人脸正样本和R个人脸负样本，其中L或R可以为100至1000不等，本发明不做限制。

进一步地，步骤S100可以包括将搜集的所有样本的尺寸统一处理为预设像素尺寸大小；那么后续生成的训练模型为通过该预设像素尺寸大小的扫描窗口进行人脸检测的训练模型。该预设像素尺寸大小可以为24×24，或者32×32等等。

步骤S102：计算每个样本中的每个像素与所述样本自身的其他像素之间的像素差特征；

具体地，以预设像素尺寸大小等于24×24为例，那么计算一个样本中的其中一个像素与所述样本自身的其他像素之间的像素差特征，即得到该个像素与其他23个像素的像素差特征，以此类推，计算出所有24个像素各自对应的23个像素差特征。

步骤S104：从计算出的所有像素差特征中选取一个目标像素差特征，并设置所述目标像素差特征对应的点坐标和像素差值作为决策树的判断节点，用于判断区分正负样本；

具体地，同样以预设像素尺寸大小等于24×24为例，从计算出的所有24个像素各自对应的23个像素差特征中，选取一个目标像素差特征，该目标像素差特征为具有最显著的可以区分人脸正负样本的像素差特征，例如选取像素差值最大的两个像素点(例如第1个像素与第16个像素)作为目标像素差特征，那么该目标像素差特征对应的点坐标即为选取的该两个像素点的坐标(例如第1个像素的坐标与第16个像素的坐标)，以及该两个像素点的像素差值，作为决策树的判断节点。

步骤S106：将所述决策树的判断节点作为弱分类器进行级联；

步骤S108：迭代执行所述从计算出的所有像素差特征中选取一个目标像素差特征至所述将所述决策树的判断节点作为弱分类器进行级联的步骤，最终生成强分类器；

具体地，迭代执行步骤S104至步骤S106M次，本发明实施例中的M为正整数。M的值可以根据用户自身的需求或者根据经验值来设置，本发明不做限制。本发明实施例通过结合决策树形成强分类器，每一个决策树中的判断节点都包含了选取的两个像素点的坐标以及该两个像素点的像素差值，以用于后续进行人脸检测决策分类。

步骤S110：保存所述强分类器中决策树的每个判断节点对应的点坐标和像素差值，以生成用于人脸检测的训练模型。

实施本发明实施例，实现了结合决策树形成强分类器进行人脸二分类，能够保证在同样精度下降低人脸检测的耗时，解决现有技术中为了保证精度和实时性，基于手机等嵌入式移动通信设备人脸检测耗时偏大的问题，难以应用到实际场景中的技术问题，达到一个能够保持较高精度并且实时性较高的效果，保证了能够使用在手机等嵌入式移动平台中进行较高精度的人脸检测。

进一步地，步骤S100中将搜集的所有样本的尺寸统一处理为预设像素尺寸大小，可以包括：将搜集的所有样本的尺寸统一处理为N个不同预设像素尺寸大小；该N为大于1的正整数；那么，对应生成的N个所述训练模型中，不同的训练模型为不同的预设像素尺寸大小的扫描窗口进行人脸检测的训练模型。

具体地，N个不同预设像素尺寸大小分别可以为20×20、24×24、32×32、48×48、100×100、200×200等，针对每个预设像素尺寸大小，都进行图1实施例中的训练模型生成方法，生成该预设像素尺寸大小对应的训练模型，那么该训练模型用于通过该预设像素尺寸大小的扫描窗口进行人脸检测。

为了便于更好地实施本发明实施例的上述方案，本发明还对应提供了一种人脸检测方法，下面结合图2示出的本发明实施例提供的人脸检测方法的流程示意图，详细说明本发明如何进行人脸检测，包括如下步骤：

步骤S200：读取用于人脸检测的训练模型；

具体地，本发明实施例读取的该训练模型为通过上述图1实施例的训练模型生成方法生成的训练模型；这里不再赘述。

步骤S202：通过扫描窗口，根据所述训练模型的强分类器中的当前判断节点对应的点坐标提取待检测图像中的像素差特征，并根据当前判断节点对应的像素差值判断是否为人脸窗口，直到按照决策树完成所需判断节点的判断。

具体地，本发明实施例对待检测的整幅图像进行扫描窗口检测，该扫描窗口的大小即为训练模型生成方法过程中的预设像素尺寸大小。如图3示出的本发明实施例提供的结合决策树的强分类器的原理示意图，该强分类器中的每个判断节点都对应两个像素点的坐标以及该两个像素点的像素差值；那么在当判断节点进行判断时，根据该当前判断节点的两个像素点的坐标，提取待检测的图像中对应的该两个像素点的坐标上的像素特征值，并计算该两个像素特征值的像素差值，并将计算出的像素差值与该当前判断节点的像素差值进行比较，即该当前判断节点的像素差值可以看作一个阈值，若计算出的像素差值大于该阈值，则表明通过当前判断节点判断出为人脸，否则表明通过当前判断节点判断出不为人脸；当完成了当前判断节点的判断后，按照决策树进行下一判断节点的判断，直到进行完毕所需判断节点的判断，最终得到该扫描窗口下是否检测到人脸的检测结果。

再进一步地，本发明实施例中的训练模型可以包括多个不同的预设像素尺寸大小的扫描窗口进行人脸检测的训练模型；例如包括20×20、24×24、32×32、48×48、100×100、200×200等像素尺寸大小的扫描窗口。那么上述步骤S202具体可以包括：

通过所述多个不同预设像素尺寸大小的扫描窗口，分别根据所述训练模型对应的强分类器中的当前判断节点对应的点坐标提取待检测图像中的像素差特征，并根据当前判断节点对应的像素差值判断是否为人脸窗口，直到按照决策树完成所需判断节点的判断；并最终对多个检测出人脸的人脸窗口进行融合处理。

具体地，例如包括24×24、32×32、100×100的像素尺寸大小的扫描窗口，那么每个扫描窗口都分别进行扫描检测，得到各自的检测结果，然后分析是否存在通过多个不同的扫描窗口检测出同一个人脸，若存在，即可以进行人脸窗口融合处理。

实施本发明实施例，通过获取多个人脸正样本和多个人脸负样本；计算每个样本中的每个像素与样本自身的其他像素之间的像素差特征；从计算出的所有像素差特征中选取一个目标像素差特征，并设置目标像素差特征对应的点坐标和像素差值作为决策树的判断节点，用于判断区分正负样本；将决策树的判断节点作为弱分类器进行级联；迭代多次，最终生成强分类器；保存强分类器中决策树的每个判断节点对应的点坐标和像素差值，以生成用于人脸检测的训练模型。实现了结合决策树形成强分类器进行人脸二分类，能够保证在同样精度下降低人脸检测的耗时，解决现有技术中为了保证精度和实时性，基于手机等嵌入式移动通信设备人脸检测耗时偏大的问题，难以应用到实际场景中的技术问题，达到一个能够保持较高精度并且实时性较高的效果，保证了能够使用在手机等嵌入式移动平台中进行较高精度的人脸检测。

为了便于更好地实施本发明实施例的上述方案，本发明还对应提供了一种训练模型生成装置，如图4示出的本发明实施例提供的训练模型生成装置的结构示意图，训练模型生成装置40可以包括：获取模块400、计算模块402、选取设置模块404、级联模块406、迭代模块408和保存模块4010，其中，

获取模块400用于获取多个人脸正样本和多个人脸负样本；

计算模块402用于计算每个样本中的每个像素与所述样本自身的其他像素之间的像素差特征；

选取设置模块404用于从计算出的所有像素差特征中选取一个目标像素差特征，并设置所述目标像素差特征对应的点坐标和像素差值作为决策树的判断节点，用于判断区分正负样本；

级联模块406用于将所述决策树的判断节点作为弱分类器进行级联；

迭代模块408用于迭代执行所述从计算出的所有像素差特征中选取一个目标像素差特征至所述将所述决策树的判断节点作为弱分类器进行级联的步骤，最终生成强分类器；

保存模块4010用于保存所述强分类器中决策树的每个判断节点对应的点坐标和像素差值，以生成用于人脸检测的训练模型。

具体地，如图5示出的本发明实施例提供的获取模块的结构示意图，获取模块400可以包括搜集单元4000和尺寸处理单元4002，其中，

搜集单元4000用于搜集多个人脸正样本和多个人脸负样本；

尺寸处理单元4002用于将搜集的所有样本的尺寸统一处理为预设像素尺寸大小；

其中，生成的所述训练模型为通过所述预设像素尺寸大小的扫描窗口进行人脸检测的训练模型。

进一步地，尺寸处理单元4002可以具体用于，将搜集的所有样本的尺寸统一处理为N个不同预设像素尺寸大小；所述N为大于1的正整数；

其中，对应生成的N个所述训练模型中，不同的训练模型为不同的预设像素尺寸大小的扫描窗口进行人脸检测的训练模型。

需要说明的是，训练模型生成装置40中各模块的功能可对应参考上述各方法实施例中图1实施例的具体实现方式，这里不再赘述。

再进一步地，请参阅图6，图6是本发明提供的训练模型生成装置的另一实施例的结构示意图。其中，如图6所示，训练模型生成装置60可以包括：至少一个处理器601，例如CPU，至少一个网络接口604，用户接口603，存储器605，至少一个通信总线602以及显示屏606。其中，通信总线602用于实现这些组件之间的连接通信。其中，用户接口603可以包括显示屏、键盘或鼠标等等。网络接口604可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器605可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器，存储器605包括本发明实施例中的flash。存储器605可选的还可以是至少一个位于远离前述处理器601的存储系统。如图6所示，作为一种计算机存储介质的存储器605中可以包括操作系统、网络通信模块、用户接口模块以及训练模型生成程序。

处理器601可以用于调用存储器605中存储的训练模型生成程序，并执行以下操作：

可以通过网络接口604等获取多个人脸正样本和多个人脸负样本；

计算每个样本中的每个像素与所述样本自身的其他像素之间的像素差特征；

从计算出的所有像素差特征中选取一个目标像素差特征，并设置所述目标像素差特征对应的点坐标和像素差值作为决策树的判断节点，用于判断区分正负样本；

将所述决策树的判断节点作为弱分类器进行级联；

迭代执行所述从计算出的所有像素差特征中选取一个目标像素差特征至所述将所述决策树的判断节点作为弱分类器进行级联的步骤，最终生成强分类器；

保存所述强分类器中决策树的每个判断节点对应的点坐标和像素差值，以生成用于人脸检测的训练模型。

具体地，处理器601获取多个人脸正样本和多个人脸负样本，可以包括：

搜集多个人脸正样本和多个人脸负样本；

将搜集的所有样本的尺寸统一处理为预设像素尺寸大小；

其中，生成的所述训练模型为通过所述预设像素尺寸大小的扫描窗口进行人脸检测的训练模型。

具体地，处理器601将搜集的所有样本的尺寸统一处理为预设像素尺寸大小，可以包括：将搜集的所有样本的尺寸统一处理为N个不同预设像素尺寸大小；所述N为大于1的正整数；

其中，对应生成的N个所述训练模型中，不同的训练模型为不同的预设像素尺寸大小的扫描窗口进行人脸检测的训练模型。

实施本发明实施例，实现了结合决策树形成强分类器进行人脸二分类，能够保证在同样精度下降低人脸检测的耗时，解决现有技术中为了保证精度和实时性，基于手机等嵌入式移动通信设备人脸检测耗时偏大的问题，难以应用到实际场景中的技术问题，达到一个能够保持较高精度并且实时性较高的效果，保证了能够使用在手机等嵌入式移动平台中进行较高精度的人脸检测。

为了便于更好地实施本发明实施例的上述方案，本发明还对应提供了一种人脸检测装置，如图7示出的本发明实施例提供的人脸检测装置的结构示意图，人脸检测装置70可以包括：读取模块700、提取模块702和判断模块704，其中，

读取模块700用于读取用于人脸检测的训练模型；其中读取模块700读取的该训练模型为通过上述图1实施例的训练模型生成方法生成的训练模型；这里不再赘述。

提取模块702用于通过扫描窗口，根据所述训练模型的强分类器中的当前判断节点对应的点坐标提取待检测图像中的像素差特征；

判断模块704用于根据当前判断节点对应的像素差值判断是否为人脸窗口，直到按照决策树完成所需判断节点的判断。

具体地，本发明实施例中的训练模型包括多个不同的预设像素尺寸大小的扫描窗口进行人脸检测的训练模型；如图8示出的本发明提供的人脸检测装置的另一实施例的结构示意图，人脸检测装置70包括读取模块700、提取模块702和判断模块704外，还可以包括融合模块706，其中，

提取模块702可以具体用于，通过所述多个不同预设像素尺寸大小的扫描窗口，分别根据所述训练模型对应的强分类器中的当前判断节点对应的点坐标提取待检测图像中的像素差特征；

判断模块704可以具体用于，根据当前判断节点对应的像素差值判断是否为人脸窗口，直到按照决策树完成所需判断节点的判断；

融合模块706，用于对多个检测出人脸的人脸窗口进行融合处理。

再进一步地，判断模块704可以包括差值检测单元，用于检测提取的所述像素差特征的值是否大于当前判断节点对应的像素差值；

若检测为是，则判断出为人脸窗口；若检测为否，则判断出不为人脸窗口。

需要说明的是，人脸检测装置70中各模块的功能可对应参考上述各方法实施例中图2至图3实施例的具体实现方式，这里不再赘述。

再进一步地，请参阅图9，图9是本发明提供的人脸检测装置的另一实施例的结构示意图。其中，如图9所示，人脸检测装置90可以包括：至少一个处理器901，例如CPU，至少一个网络接口904，用户接口903，存储器905，至少一个通信总线902以及显示屏906。其中，通信总线902用于实现这些组件之间的连接通信。其中，用户接口903可以包括显示屏、键盘或鼠标等等。网络接口904可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器905可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器，存储器905包括本发明实施例中的flash。存储器905可选的还可以是至少一个位于远离前述处理器901的存储系统。如图9所示，作为一种计算机存储介质的存储器905中可以包括操作系统、网络通信模块、用户接口模块以及人脸检测程序。

处理器901可以用于调用存储器905中存储的人脸检测程序，并执行以下操作：

读取用于人脸检测的训练模型；

通过扫描窗口，根据所述训练模型的强分类器中的当前判断节点对应的点坐标提取待检测图像中的像素差特征，并根据当前判断节点对应的像素差值判断是否为人脸窗口，直到按照决策树完成所需判断节点的判断。

具体地，所述训练模型包括多个不同的预设像素尺寸大小的扫描窗口进行人脸检测的训练模型；

处理器901通过扫描窗口，根据所述训练模型的强分类器中的当前判断节点对应的点坐标提取待检测图像中的像素差特征，并根据当前判断节点对应的像素差值判断是否为人脸窗口，直到按照决策树完成所需判断节点的判断，可以包括：

通过所述多个不同预设像素尺寸大小的扫描窗口，分别根据所述训练模型对应的强分类器中的当前判断节点对应的点坐标提取待检测图像中的像素差特征，并根据当前判断节点对应的像素差值判断是否为人脸窗口，直到按照决策树完成所需判断节点的判断；

对多个检测出人脸的人脸窗口进行融合处理。

具体地，处理器901根据当前判断节点对应的像素差值判断是否为人脸窗口，可以包括：

检测提取的所述像素差特征的值是否大于当前判断节点对应的像素差值；

若检测为是，则判断出为人脸窗口；若检测为否，则判断出不为人脸窗口。

综上所述，实施本发明实施例，通过获取多个人脸正样本和多个人脸负样本；计算每个样本中的每个像素与样本自身的其他像素之间的像素差特征；从计算出的所有像素差特征中选取一个目标像素差特征，并设置目标像素差特征对应的点坐标和像素差值作为决策树的判断节点，用于判断区分正负样本；将决策树的判断节点作为弱分类器进行级联；迭代多次，最终生成强分类器；保存强分类器中决策树的每个判断节点对应的点坐标和像素差值，以生成用于人脸检测的训练模型。实现了结合决策树形成强分类器进行人脸二分类，能够保证在同样精度下降低人脸检测的耗时，解决现有技术中为了保证精度和实时性，基于手机等嵌入式移动通信设备人脸检测耗时偏大的问题，难以应用到实际场景中的技术问题，达到一个能够保持较高精度并且实时性较高的效果，保证了能够使用在手机等嵌入式移动平台中进行较高精度的人脸检测。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random Access Memory，RAM)等。

以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。