人脸检测方法及装置与流程

本公开涉及图像处理技术领域，特别涉及一种人脸检测方法及装置。

背景技术：

人脸检测技术是指从人脸图像中检测人脸区域，是一种常见的图像处理技术。

在相关技术中，采用faster RCNN(Regions with Convolutional Neural Network，区域卷积神经网络)算法对卷积神经网络进行训练得到的人脸检测模型，具有较高的检测精度。将目标图像作为上述训练得到的人脸检测模型的输入，采用该人脸检测模型对目标图像进行特征提取、分析，可最终判定目标图像中是否存在人脸，以及在判定存在人脸的情况下确定人脸的位置。

技术实现要素：

本公开实施例提供了一种人脸检测方法及装置。所述技术方案如下：

根据本公开实施例的第一方面，提供了一种人脸检测方法，所述方法包括：

采用初步检测模型检测目标图像中的人脸候选区域，所述人脸候选区域为包含人脸的图像块；

当从所述目标图像中检测到所述人脸候选区域时，提取所述人脸候选区域；

采用精确检测模型对所述人脸候选区域进行处理，确定所述人脸在所述人脸候选区域中的位置。

可选地，所述采用初步检测模型检测目标图像中的人脸候选区域，包括：

采用所述初步检测模型获取所述目标图像中的每一个像素为人脸的概率；

根据各个所述像素对应的概率确定所述人脸候选区域，所述人脸候选区域包括所述概率大于预设阈值的像素。

可选地，所述根据各个所述像素对应的概率确定所述人脸候选区域，包括：

将包含所有目标像素的最小矩形区域确定为所述人脸候选区域；

其中，所述目标像素是指所述概率大于预设阈值的像素。

可选地，所述采用精确检测模型对所述人脸候选区域进行处理，确定所述人脸在所述人脸候选区域中的位置，包括：

根据所述人脸候选区域在所述目标图像中的尺寸，确定所述精确检测模型的滑动窗口的尺寸；

采用所述精确检测模型按照确定的所述滑动窗口从所述人脸候选区域中提取图像特征，并根据所述图像特征确定所述人脸在所述人脸候选区域中的位置。

可选地，所述方法还包括：

按照预设比例缩小所述目标图像的尺寸；

其中，所述初步检测模型用于从缩小后的目标图像中检测所述人脸候选区域。

可选地，所述方法还包括：

根据所述人脸在所述人脸候选区域中的位置和所述人脸候选区域在所述目标图像中的位置，确定所述人脸在所述目标图像中的位置。

可选地，所述初步检测模型是对FCN(Fully Convolutional Networks，全卷积网络)进行训练得到的模型，所述精确检测模型是对CNN(Convolutional Neural Networks，卷积神经网络)进行训练得到的模型。

可选地，所述方法还包括：

采用训练样本对所述FCN和所述CNN进行训练，得到所述初步检测模型和所述精确检测模型；

其中，所述训练样本包括人脸图像和非人脸图像，所述人脸图像中的人脸在所述人脸图像中的尺寸占比属于预设取值区间。

根据本公开实施例的第二方面，提供了一种人脸检测方法，所述方法包括：

采用初步检测模型检测目标图像中的人脸候选区域，所述人脸候选区域为包含人脸的图像块；

当从所述目标图像中检测到所述人脸候选区域时，提取所述人脸候选区域；

将所述人脸候选区域发送给服务器；其中，所述服务器用于采用精确检测模型对所述人脸候选区域进行处理，确定所述人脸在所述人脸候选区域中的位置；

接收所述服务器发送的所述人脸在所述人脸候选区域中的位置。

可选地，所述方法还包括：

根据所述人脸在所述人脸候选区域中的位置和所述人脸候选区域在所述目标图像中的位置，确定所述人脸在所述目标图像中的位置。

根据本公开实施例的第三方面，提供了一种人脸检测装置，所述装置包括：

初步检测模块，被配置为采用初步检测模型检测目标图像中的人脸候选区域，所述人脸候选区域为包含人脸的图像块；

区域提取模块，被配置为当从所述目标图像中检测到所述人脸候选区域时，提取所述人脸候选区域；

精确检测模块，被配置为采用精确检测模型对所述人脸候选区域进行处理，确定所述人脸在所述人脸候选区域中的位置。

可选地，所述初步检测模块，包括：

概率获取子模块，被配置为采用所述初步检测模型获取所述目标图像中的每一个像素为人脸的概率；

区域确定子模块，被配置为根据各个所述像素对应的概率确定所述人脸候选区域，所述人脸候选区域包括所述概率大于预设阈值的像素。

可选地，所述区域确定子模块，被配置为将包含所有目标像素的最小矩形区域确定为所述人脸候选区域；

其中，所述目标像素是指所述概率大于预设阈值的像素。

可选地，所述精确检测模块，包括：

尺寸确定子模块，被配置为根据所述人脸候选区域在所述目标图像中的尺寸，确定所述精确检测模型的滑动窗口的尺寸；

位置确定子模块，被配置为采用所述精确检测模型按照确定的所述滑动窗口从所述人脸候选区域中提取图像特征，并根据所述图像特征确定所述人脸在所述人脸候选区域中的位置。

可选地，所述装置还包括：

尺寸缩小模块，被配置为按照预设比例缩小所述目标图像的尺寸；

其中，所述初步检测模型用于从缩小后的目标图像中检测所述人脸候选区域。

可选地，所述装置还包括：

位置确定模块，被配置为根据所述人脸在所述人脸候选区域中的位置和所述人脸候选区域在所述目标图像中的位置，确定所述人脸在所述目标图像中的位置。

可选地，所述初步检测模型是对FCN进行训练得到的模型，所述精确检测模型是对CNN进行训练得到的模型。

可选地，所述装置还包括：

模型训练模块，被配置为采用训练样本对所述FCN和所述CNN进行训练，得到所述初步检测模型和所述精确检测模型；

其中，所述训练样本包括人脸图像和非人脸图像，所述人脸图像中的人脸在所述人脸图像中的尺寸占比属于预设取值区间。

根据本公开实施例的第四方面，提供了一种人脸检测装置，所述装置包括：

初步检测模块，被配置为采用初步检测模型检测目标图像中的人脸候选区域，所述人脸候选区域为包含人脸的图像块；

区域提取模块，被配置为当从所述目标图像中检测到所述人脸候选区域时，提取所述人脸候选区域；

区域发送模块，被配置为将所述人脸候选区域发送给服务器；其中，所述服务器用于采用精确检测模型对所述人脸候选区域进行处理，确定所述人脸在所述人脸候选区域中的位置；

位置接收模块，被配置为接收所述服务器发送的所述人脸在所述人脸候选区域中的位置。

可选地，所述装置还包括：

位置确定模块，被配置为根据所述人脸在所述人脸候选区域中的位置和所述人脸候选区域在所述目标图像中的位置，确定所述人脸在所述目标图像中的位置。

根据本公开实施例的第五方面，提供了一种人脸检测装置，所述装置包括：

处理器；

用于存储所述处理器的可执行指令的存储器；

其中，所述处理器被配置为：

采用初步检测模型检测目标图像中的人脸候选区域，所述人脸候选区域为包含人脸的图像块；

当从所述目标图像中检测到所述人脸候选区域时，提取所述人脸候选区域；

采用精确检测模型对所述人脸候选区域进行处理，确定所述人脸在所述人脸候选区域中的位置。

根据本公开实施例的第六方面，提供了一种人脸检测装置，所述装置包括：

处理器；

用于存储所述处理器的可执行指令的存储器；

其中，所述处理器被配置为：

采用初步检测模型检测目标图像中的人脸候选区域，所述人脸候选区域为包含人脸的图像块；

当从所述目标图像中检测到所述人脸候选区域时，提取所述人脸候选区域；

将所述人脸候选区域发送给服务器；其中，所述服务器用于采用精确检测模型对所述人脸候选区域进行处理，确定所述人脸在所述人脸候选区域中的位置；

接收所述服务器发送的所述人脸在所述人脸候选区域中的位置。

本公开实施例提供的技术方案可以包括以下有益效果：

通过采用初步检测模型检测目标图像中的人脸候选区域，当从目标图像中检测到人脸候选区域时，提取人脸候选区域，而后采用精确检测模型对人脸候选区域进行处理，确定人脸在人脸候选区域中的位置；解决了相关技术提供的人脸检测方法，所存在的检测效率较低的问题。一方面，采用初步检测模型对图像进行初步辨别，快速筛选掉不存在人脸的图像；另一方面，对于有人脸的图像，采用初步检测模型提取人脸候选区域，进一步采用精确检测模型对人脸候选区域进行处理，确定人脸位置，由于精确检测模型仅需对人脸候选区域进行处理，而无需对整个图像进行处理，从而提高了检测效率。

另外，通过在采用初步检测模型检测目标图像中的人脸候选区域之前，按照预设比例缩小目标图像的尺寸，有助于减少初步检测模型的计算量，提高初步检测模型检测人脸候选区域的效率。

另外，通过采用初步检测模型获取目标图像中的每一个像素为人脸的概率，将包含所有目标像素的最小矩形区域确定为人脸候选区域，其中，目标像素是指概率大于预设阈值的像素，提高了确定出的人脸候选区域的精确度。

另外，通过根据人脸候选区域在目标图像中的尺寸，确定精确检测模型的滑动窗口的尺寸，而后采用精确检测模型按照确定的滑动窗口从人脸候选区域中提取图像特征，并根据图像特征确定人脸在人脸候选区域中的位置，一方面能够在检测速度和精度之间得到权衡，另一方面有助于提高特征提取的性能。

另外，通过将模型体积较小的初步检测模型部署在移动终端侧，将模型体积较大的精确检测模型部署在服务器端。充分利用移动终端的处理能力和资源，由移动终端对图像进行初步筛选，快速筛选掉非人脸图像；而对于人脸图像，移动终端将从中提取的人脸候选区域发送给服务器，由服务器端部署的精确检测模型确定人脸的精确位置。在提高检测效率的同时，充分利用了移动终端的处理资源。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。

图1是根据一示例性实施例示出的一种人脸检测方法的流程图；

图2A是根据另一示例性实施例示出的一种人脸检测方法的流程图；

图2B是示例性示出的一种初步检测模型的示意图；

图2C是示例性示出的一种人脸检测过程的示意图；

图2D是示例性示出的一种精确检测模型的示意图；

图3是根据另一示例性实施例示出的一种人脸检测方法的流程图；

图4是根据一示例性实施例示出的一种人脸检测装置的框图；

图5是根据另一示例性实施例示出的一种人脸检测装置的框图；

图6是根据另一示例性实施例示出的一种人脸检测装置的框图；

图7是根据一示例性实施例示出的一种装置的框图；

图8是根据另一示例性实施例示出的一种装置的框图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

相关技术提供的人脸检测方法，存在检测效率较低的问题。基于此，本公开实施例提供了一种人脸检测方法，和基于这个方法的装置，以解决上述相关技术中存在的问题。本公开实施例提供的技术方案，核心思想是设定两个检测模型：初步检测模型和精确检测模型。采用初步检测模型对目标图像进行检测，若从目标图像中未检测到人脸候选区域，则可结束流程，从而快速地筛选掉非人脸图像(也即不存在人脸的图像)；若从目标图像中检测到人脸候选区域，则说明该目标图像为人脸图像(也即存在人脸的图像)，进一步采用精确检测模型对人脸候选区域进行处理，确定人脸位置，由于精确检测模型仅需对人脸候选区域进行处理，无需对整个目标图像进行处理，因此检测效率会得到提高。

图1是根据一示例性实施例示出的一种人脸检测方法的流程图。例如，该人脸检测方法可应用于服务器中。该人脸检测方法可以包括如下几个步骤：

在步骤101中，采用初步检测模型检测目标图像中的人脸候选区域，人脸候选区域为包含人脸的图像块。

在步骤102中，当从目标图像中检测到人脸候选区域时，提取人脸候选区域。

在步骤103中，采用精确检测模型对人脸候选区域进行处理，确定人脸在人脸候选区域中的位置。

综上所述，本实施例提供的方法，通过采用初步检测模型检测目标图像中的人脸候选区域，当从目标图像中检测到人脸候选区域时，提取人脸候选区域，而后采用精确检测模型对人脸候选区域进行处理，确定人脸在人脸候选区域中的位置；解决了相关技术提供的人脸检测方法，所存在的检测效率较低的问题。一方面，采用初步检测模型对图像进行初步辨别，快速筛选掉不存在人脸的图像；另一方面，对于有人脸的图像，采用初步检测模型提取人脸候选区域，进一步采用精确检测模型对人脸候选区域进行处理，确定人脸位置，由于精确检测模型仅需对人脸候选区域进行处理，而无需对整个图像进行处理，从而提高了检测效率。

图2A是根据另一示例性实施例示出的一种人脸检测方法的流程图。例如，该人脸检测方法可应用于服务器中。该人脸检测方法可以包括如下几个步骤：

在步骤201中，获取目标图像。

目标图像可以是图片，也可以是视频中的某一帧图像。

在步骤202中，按照预设比例缩小目标图像的尺寸。

也即，按照预设比例缩小目标图像的分辨率。在一个示例中，假设目标图像的尺寸为1000×800(像素)，预设比例为0.3，则缩小后的目标图像的尺寸为300×240(像素)。

通过缩小目标图像的尺寸，可以减少初步检测模型的计算量，提高初步检测模型检测人脸候选区域的效率。另外，本步骤为可选步骤，在实际应用中，也可采用初步检测模型直接从目标图像中检测人脸候选区域。

在步骤203中，采用初步检测模型从缩小后的目标图像中检测人脸候选区域。

人脸候选区域为包含人脸的图像块。初步检测模型用于对目标图像进行初步检测，辨别目标图像是人脸图像还是非人脸图像，从而快速筛选掉非人脸图像。在一个示例中，初步检测模型是对FCN(全卷积网络)进行训练得到的模型。初步检测模型包括卷积层与反卷积层。其中，初步检测模型的卷积层用于提取目标图像的特征图(Feature Map)，初步检测模型的反卷积层用于对上述提取到的特征图进行上采样。FCN具有模型体积小，计算速度快的优势。

如图2B所示，其示例性示出了一种初步检测模型的示意图。该初步检测模型包括：一个输入层，至少一个卷积层(比如包括第一卷积层C1、第二卷积层C2和第三卷积层C3共3个卷积层)，至少一个反卷积层(比如包括第一反卷积层D1、第二反卷积层D2和第三反卷积层D3共3个反卷积层)和一个输出层。输入层的输入数据是目标图像。输出层的输出结果是目标图像是否为人脸图像，以及在目标图像为人脸图像的情况下，输出人脸候选区域在目标图像中的位置。在本公开实施例中，对初步检测模型的卷积层和反卷积层的具体结构不作限定，上述图2B所示的初步检测模型仅是示例性和解释性的，并不用于限定本公开。一般来说，卷积神经网络的层数越多，效果越好但计算时间也会越长，在实际应用中，可结合对检测精度和效率的要求，设计适当层数的卷积神经网络。

在一个示例中，步骤203包括如下几个子步骤：

第一，采用初步检测模型获取缩小后的目标图像中的每一个像素为人脸的概率；

第二，根据各个像素对应的概率确定人脸候选区域，人脸候选区域包括概率大于预设阈值的像素。

可选地，将包含所有目标像素的最小矩形区域确定为人脸候选区域。其中，目标像素是指概率大于预设阈值的像素。预设阈值可根据实际需求进行设定，示例性地，预设阈值为0.8。

结合参考图2C，其示例性示出了人脸检测过程的示意图。假设目标图像21如图所示，其尺寸为1000×1000(像素)。采用初步检测模型获取目标图像21中的每一个像素为人脸的概率，而后将包含所有目标像素(即概率大于预设阈值的像素)的最小矩形区域确定为人脸候选区域，例如人脸候选区域22为图2C中的矩形区域ABCD。

在步骤204中，当从缩小后的目标图像中检测到人脸候选区域时，提取人脸候选区域。

从目标图像中提取人脸候选区域，也即从目标图像中截取人脸候选区域。如图2C所示，从目标图像21中截取人脸候选区域22。

另外，当从目标图像中未检测到人脸候选区域时，说明该目标图像为非人脸图像，即可结束流程。

可选地，如果人脸候选区域是从缩小后的目标图像中提取的，则在执行下述步骤205之前，需要按照上述预设比例将提取的人脸候选区域的尺寸进行放大，以恢复至其在原始的目标图像中的大小。

在步骤205中，采用精确检测模型对人脸候选区域进行处理，确定人脸在人脸候选区域中的位置。

精确检测模型用于精确检测人脸位置。在一个示例中，精确检测模型是对CNN(卷积神经网络)进行训练得到的模型。精确检测模型包括卷积层与全连接层。精确检测模型的卷积层用于从人脸候选区域中提取图像特征，精确检测模型的全连接层用于检测人脸位置。相较于FCN，CNN的检测精度更高，能够精确定位人脸位置，但CNN的模型体积也相对较大，计算速度相对较慢。

如图2D所示，其示例性示出了一种精确检测模型的示意图。该精确检测模型包括：一个输入层，至少一个卷积层(比如包括第一卷积层C1、第二卷积层C2和第三卷积层C3共3个卷积层)，至少一个全连接层(比如包括第一全连接层FC1、第二卷积层FC2共2个全连接层)和一个输出层。输入层的输入数据是从目标图像中提取的人脸候选区域，输出层的输出结果是人脸在人脸候选区域中的位置。人脸检测过程如下：将人脸候选区域输入至精确检测模型的输入层，由精确检测模型的卷积层提取人脸候选区域的图像特征，而后由精确检测模型的全连接层对上述图像特征进行组合和抽象，得到适用于输出层进行分类的数据，最后由输出层输出人脸在人脸候选区域中的位置。在本公开实施例中，对精确检测模型的卷积层和全连接层的具体结构不作限定，上述图2D所示的精确检测模型仅是示例性和解释性的，并不用于限定本公开。一般来说，卷积神经网络的层数越多，效果越好但计算时间也会越长，在实际应用中，可结合对检测精度和效率的要求，设计适当层数的卷积神经网络。

在一个示例中，步骤205包括如下几个子步骤：

第一，根据人脸候选区域在目标图像中的尺寸，确定精确检测模型的滑动窗口的尺寸；

第二，采用精确检测模型按照确定的滑动窗口从人脸候选区域中提取图像特征，并根据图像特征确定人脸在人脸候选区域中的位置。

在一种可能的实施方式中，上述第一个子步骤包括：根据人脸候选区域的尺寸，确定精确检测模型的滑动窗口的尺寸。例如，滑动窗口的尺寸与人脸候选区域的尺寸呈负相关关系。滑动窗口的尺寸越大，其提取的图像特征也越多，检测精度相对较高，但检测速度相对较慢；反之，滑动窗口的尺寸越小，其提取的图像特征也越少，检测精度相对较低，但检测速度相对较快。当人脸候选区域中的尺寸较大时，由于图像内容较多，选取相对较小的滑动窗口，可以确保检测速度不至于过慢；当人脸候选区域中的尺寸较小时，由于图像内容本身较少，选取相对较大的滑动窗口，可以优先确保检测精度。

在另一可能的实施方式中，上述第一个子步骤包括：根据人脸候选区域的长宽比例，确定精确检测模型的滑动窗口的长宽比例。例如，滑动窗口的长宽比例与人脸候选区域的长宽比例相同。通过上述方式，有助于提高特征提取的性能。

结合参考图2C，假设从人脸候选区域22中检测出的人脸区域23为图2C中的矩形框EFGH。

在步骤206中，根据人脸在人脸候选区域中的位置和人脸候选区域在目标图像中的位置，确定人脸在目标图像中的位置。

由于精确检测模型获取的是人脸在人脸候选区域中的位置，如需进一步确定人脸在目标图像中的位置，可根据人脸在人脸候选区域中的位置和人脸候选区域在目标图像中的位置进行计算得到。

下面，对模型训练过程进行介绍和说明：在一个示例中，采用训练样本对FCN和CNN进行训练，得到初步检测模型和精确检测模型。其中，训练样本包括人脸图像和非人脸图像，也即训练样本包括正样本和负样本。可选地，人脸图像中的人脸在人脸图像中的尺寸占比属于预设取值区间。也即，在不同的训练样本中，人脸的尺寸不是固定的。示例性地，上述预设取值区间为[0.15,1]。采用上述方式训练得到的模型，能够适用于检测不同尺寸的人脸，具有较好的适用性和较高的稳定性。

可选地，FCN可采用微调的alexNet网络、微调的VGG-16网络等。其中，微调的alexNet网络是网络中的全连接层被替换成反卷积层后的alexNet网络，微调的VGG-16网络是网络中的全连接层被替换成反卷积层后的VGG-16网络。可选地，CNN可采用alexNet网络、VGG-16网络等。可选地，采用faster RCNN算法对CNN进行训练，得到精确检测模型。

综上所述，本实施例提供的方法，通过采用初步检测模型检测目标图像中的人脸候选区域，当从目标图像中检测到人脸候选区域时，提取人脸候选区域，而后采用精确检测模型对人脸候选区域进行处理，确定人脸在人脸候选区域中的位置；解决了相关技术提供的人脸检测方法，所存在的检测效率较低的问题。一方面，采用初步检测模型对图像进行初步辨别，快速筛选掉不存在人脸的图像；另一方面，对于有人脸的图像，采用初步检测模型提取人脸候选区域，进一步采用精确检测模型对人脸候选区域进行处理，确定人脸位置，由于精确检测模型仅需对人脸候选区域进行处理，而无需对整个图像进行处理，从而提高了检测效率。

另外，通过在采用初步检测模型检测目标图像中的人脸候选区域之前，按照预设比例缩小目标图像的尺寸，有助于减少初步检测模型的计算量，提高初步检测模型检测人脸候选区域的效率。

另外，通过采用初步检测模型获取目标图像中的每一个像素为人脸的概率，将包含所有目标像素的最小矩形区域确定为人脸候选区域，其中，目标像素是指概率大于预设阈值的像素，提高了确定出的人脸候选区域的精确度。

另外，通过根据人脸候选区域在目标图像中的尺寸，确定精确检测模型的滑动窗口的尺寸，而后采用精确检测模型按照确定的滑动窗口从人脸候选区域中提取图像特征，并根据图像特征确定人脸在人脸候选区域中的位置，一方面能够在检测速度和精度之间得到权衡，另一方面有助于提高特征提取的性能。

图3是根据另一示例性实施例示出的一种人脸检测方法的流程图。该人脸检测方法可以包括如下几个步骤：

在步骤301中，移动终端采用初步检测模型检测目标图像中的人脸候选区域，人脸候选区域为包含人脸的图像块。

初步检测模型用于对目标图像进行初步检测，辨别目标图像是人脸图像还是非人脸图像，从而快速筛选掉非人脸图像。在一个示例中，初步检测模型是对FCN进行训练得到的模型。初步检测模型包括卷积层与反卷积层。其中，初步检测模型的卷积层用于提取目标图像的特征图，初步检测模型的反卷积层用于对上述提取到的特征图进行上采样。FCN具有模型体积小，计算速度快的优势。

在一个示例中，步骤301包括如下几个子步骤：

第一，移动终端采用初步检测模型获取目标图像中的每一个像素为人脸的概率；

第二，移动终端根据各个像素对应的概率确定人脸候选区域，人脸候选区域包括概率大于预设阈值的像素。

可选地，移动终端将包含所有目标像素的最小矩形区域确定为人脸候选区域。其中，目标像素是指概率大于预设阈值的像素。预设阈值可根据实际需求进行设定，示例性地，预设阈值为0.8。

可选地，移动终端在执行上述步骤301之前，按照预设比例缩小目标图像的尺寸，而后采用初步检测模型从缩小后的目标图像中检测人脸候选区域。

在步骤302中，当从目标图像中检测到人脸候选区域时，移动终端提取人脸候选区域。

移动终端从目标图像中提取人脸候选区域，也即从目标图像中截取人脸候选区域。

另外，当移动终端从目标图像中未检测到人脸候选区域时，说明该目标图像为非人脸图像，即可结束流程。

可选地，如果人脸候选区域是从缩小后的目标图像中提取的，则在执行下述步骤303之前，需要按照上述预设比例将提取的人脸候选区域的尺寸进行放大，以恢复至其在原始的目标图像中的大小。

在步骤303中，移动终端将人脸候选区域发送给服务器。

相应地，服务器接收移动终端发送的人脸候选区域。

在步骤304中，服务器采用精确检测模型对人脸候选区域进行处理，确定人脸在人脸候选区域中的位置。

精确检测模型用于精确检测人脸位置。在一个示例中，精确检测模型是对CNN进行训练得到的模型。精确检测模型包括卷积层与全连接层。精确检测模型的卷积层用于从人脸候选区域中提取图像特征，精确检测模型的全连接层用于检测人脸位置。相较于FCN，CNN的检测精度更高，能够精确定位人脸位置，但CNN的模型体积也相对较大，计算速度相对较慢。

在一个示例中，步骤304包括如下几个子步骤：

第一，服务器根据人脸候选区域在目标图像中的尺寸，确定精确检测模型的滑动窗口的尺寸；

第二，服务器采用精确检测模型按照确定的滑动窗口从人脸候选区域中提取图像特征，并根据图像特征确定人脸在人脸候选区域中的位置。

在一种可能的实施方式中，上述第一个子步骤包括：服务器根据人脸候选区域的尺寸，确定精确检测模型的滑动窗口的尺寸。例如，滑动窗口的尺寸与人脸候选区域的尺寸呈负相关关系。滑动窗口的尺寸越大，其提取的图像特征也越多，检测精度相对较高，但检测速度相对较慢；反之，滑动窗口的尺寸越小，其提取的图像特征也越少，检测精度相对较低，但检测速度相对较快。当人脸候选区域中的尺寸较大时，由于图像内容较多，选取相对较小的滑动窗口，可以确保检测速度不至于过慢；当人脸候选区域中的尺寸较小时，由于图像内容本身较少，选取相对较大的滑动窗口，可以优先确保检测精度。

在另一可能的实施方式中，上述第一个子步骤包括：服务器根据人脸候选区域的长宽比例，确定精确检测模型的滑动窗口的长宽比例。例如，滑动窗口的长宽比例与人脸候选区域的长宽比例相同。通过上述方式，有助于提高特征提取的性能。

在步骤305中，服务器向移动终端发送人脸在人脸候选区域中的位置。

相应地，移动终端接收服务器发送的人脸在人脸候选区域中的位置。

可选地，步骤305之后还包括如下步骤306：

在步骤306中，移动终端根据人脸在人脸候选区域中的位置和人脸候选区域在目标图像中的位置，确定人脸在目标图像中的位置。

由于精确检测模型获取的是人脸在人脸候选区域中的位置，如需进一步确定人脸在目标图像中的位置，可由移动终端根据人脸在人脸候选区域中的位置和人脸候选区域在目标图像中的位置进行计算得到。

在本实施例中，移动终端可以是诸如手机、平板电脑、PDA(Personal Digital Assistant，个人数字助理)等便携式电子设备。

在本实施例中，通过将模型体积较小的初步检测模型部署在移动终端，将模型体积较大的精确检测模型部署在服务器端。充分利用移动终端的处理能力和资源，由移动终端对图像进行初步筛选，快速筛选掉非人脸图像；而对于人脸图像，移动终端将从中提取的人脸候选区域发送给服务器，由服务器端部署的精确检测模型确定人脸的精确位置。在提高检测效率的同时，充分利用了移动终端的处理资源。

下述为本公开装置实施例，可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节，请参照本公开方法实施例。

图4是根据一示例性实施例示出的一种人脸检测装置的框图。该装置具有实现上述方法示例的功能，所述功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。该装置可以包括:初步检测模块420、区域提取模块440和精确检测模块460。

初步检测模块420，被配置为采用初步检测模型检测目标图像中的人脸候选区域，人脸候选区域为包含人脸的图像块。

区域提取模块440，被配置为当初步检测模块420从目标图像中检测到人脸候选区域时，提取人脸候选区域。

精确检测模块460，被配置为采用精确检测模型对区域提取模块460提取的人脸候选区域进行处理，确定人脸在人脸候选区域中的位置。

综上所述，本实施例提供的装置，通过采用初步检测模型检测目标图像中的人脸候选区域，当从目标图像中检测到人脸候选区域时，提取人脸候选区域，而后采用精确检测模型对人脸候选区域进行处理，确定人脸在人脸候选区域中的位置；解决了相关技术提供的人脸检测方法，所存在的检测效率较低的问题。一方面，采用初步检测模型对图像进行初步辨别，快速筛选掉不存在人脸的图像；另一方面，对于有人脸的图像，采用初步检测模型提取人脸候选区域，进一步采用精确检测模型对人脸候选区域进行处理，确定人脸位置，由于精确检测模型仅需对人脸候选区域进行处理，而无需对整个图像进行处理，从而提高了检测效率。

图5是根据另一示例性实施例示出的一种人脸检测装置的框图。该装置具有实现上述方法示例的功能，所述功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。该装置可以包括：初步检测模块420，区域提取模块440和精确检测模块460。

初步检测模块420，被配置为采用初步检测模型检测目标图像中的人脸候选区域，人脸候选区域为包含人脸的图像块。

初步检测模型用于对目标图像进行初步检测，辨别目标图像是人脸图像还是非人脸图像，从而快速筛选掉非人脸图像。在一个示例中，初步检测模型是对FCN(全卷积网络)进行训练得到的模型。初步检测模型包括卷积层与反卷积层。其中，初步检测模型的卷积层用于提取目标图像的特征图(Feature Map)，初步检测模型的反卷积层用于对上述提取到的特征图进行上采样。FCN具有模型体积小，计算速度快的优势。

在一个示例中，初步检测模块420，包括：概率获取子模块422和区域确定子模块424。

概率获取子模块422，被配置为采用初步检测模型获取目标图像中的每一个像素为人脸的概率。

区域确定子模块424，被配置为根据概率获取子模块422获取的各个像素对应的概率确定人脸候选区域，人脸候选区域包括概率大于预设阈值的像素。

可选地，区域确定子模块424，被配置为将包含所有目标像素的最小矩形区域确定为人脸候选区域。其中，目标像素是指概率大于预设阈值的像素。

区域提取模块440，被配置为当初步检测模块420从目标图像中检测到人脸候选区域时，提取人脸候选区域。

从目标图像中提取人脸候选区域，也即从目标图像中截取人脸候选区域。

另外，当从目标图像中未检测到人脸候选区域时，说明该目标图像为非人脸图像，即可结束流程。

精确检测模块460，被配置为采用精确检测模型对区域提取模块440提取的人脸候选区域进行处理，确定人脸在人脸候选区域中的位置。

精确检测模型用于精确检测人脸位置。在一个示例中，精确检测模型是对CNN(卷积神经网络)进行训练得到的模型。精确检测模型包括卷积层与全连接层。精确检测模型的卷积层用于从人脸候选区域中提取图像特征，精确检测模型的全连接层用于检测人脸位置。相较于FCN，CNN的检测精度更高，能够精确定位人脸位置，但CNN的模型体积也相对较大，计算速度相对较慢。

可选地，精确检测模块460，包括：尺寸确定子模块462和位置确定子模块464。

尺寸确定子模块462，被配置为根据区域提取模块440提取的人脸候选区域在目标图像中的尺寸，确定精确检测模型的滑动窗口的尺寸。

位置确定子模块464，被配置为采用精确检测模型按照尺寸确定子模块462确定的滑动窗口从人脸候选区域中提取图像特征，并根据图像特征确定人脸在人脸候选区域中的位置。

在一种可能的实施方式中，尺寸确定子模块462，被配置为：根据人脸候选区域的尺寸，确定精确检测模型的滑动窗口的尺寸。例如，滑动窗口的尺寸与人脸候选区域的尺寸呈负相关关系。滑动窗口的尺寸越大，其提取的图像特征也越多，检测精度相对较高，但检测速度相对较慢；反之，滑动窗口的尺寸越小，其提取的图像特征也越少，检测精度相对较低，但检测速度相对较快。当人脸候选区域中的尺寸较大时，由于图像内容较多，选取相对较小的滑动窗口，可以确保检测速度不至于过慢；当人脸候选区域中的尺寸较小时，由于图像内容本身较少，选取相对较大的滑动窗口，可以优先确保检测精度。

在另一可能的实施方式中，尺寸确定子模块462，被配置为：根据人脸候选区域的长宽比例，确定精确检测模型的滑动窗口的长宽比例。例如，滑动窗口的长宽比例与人脸候选区域的长宽比例相同。通过上述方式，有助于提高特征提取的性能。

可选地，该装置还包括：尺寸缩小模块410。

尺寸缩小模块410，被配置为按照预设比例缩小目标图像的尺寸。其中，初步检测模型用于从缩小后的目标图像中检测人脸候选区域。

也即，按照预设比例缩小目标图像的分辨率。通过缩小目标图像的尺寸，可以减少初步检测模型的计算量，提高初步检测模型检测人脸候选区域的效率。

可选地，如果人脸候选区域是从缩小后的目标图像中提取的，则精确检测模块460在确认人脸在人脸候选区域中的位置之前，需要按照上述预设比例将区域提取模块440提取的人脸候选区域的尺寸进行放大，以恢复至其在原始的目标图像中的大小。

可选地，该装置还包括：位置确定模块480。

位置确定模块480，被配置为根据精确检测模块460确定的人脸在人脸候选区域中的位置和人脸候选区域在目标图像中的位置，确定人脸在目标图像中的位置。

由于精确检测模型获取的是人脸在人脸候选区域中的位置，如需进一步确定人脸在目标图像中的位置，可根据人脸在人脸候选区域中的位置和人脸候选区域在目标图像中的位置进行计算得到。

可选地，初步检测模型是对FCN进行训练得到的模型，精确检测模型是对CNN进行训练得到的模型。

可选地，该装置还可以包括：模型训练模块。

模型训练模块，被配置为采用训练样本对FCN和CNN进行训练，得到初步检测模型和精确检测模型。

其中，训练样本包括人脸图像和非人脸图像，也即训练样本包括正样本和负样本。可选地，人脸图像中的人脸在人脸图像中的尺寸占比属于预设取值区间。也即，在不同的训练样本中，人脸的尺寸不是固定的。采用上述方式训练得到的模型，能够适用于检测不同尺寸的人脸，具有较好的适用性和较高的稳定性。

综上所述，本实施例提供的装置，通过采用初步检测模型检测目标图像中的人脸候选区域，当从目标图像中检测到人脸候选区域时，提取人脸候选区域，而后采用精确检测模型对人脸候选区域进行处理，确定人脸在人脸候选区域中的位置；解决了相关技术提供的人脸检测方法，所存在的检测效率较低的问题。一方面，采用初步检测模型对图像进行初步辨别，快速筛选掉不存在人脸的图像；另一方面，对于有人脸的图像，采用初步检测模型提取人脸候选区域，进一步采用精确检测模型对人脸候选区域进行处理，确定人脸位置，由于精确检测模型仅需对人脸候选区域进行处理，而无需对整个图像进行处理，从而提高了检测效率。

另外，通过在采用初步检测模型检测目标图像中的人脸候选区域之前，按照预设比例缩小目标图像的尺寸，有助于减少初步检测模型的计算量，提高初步检测模型检测人脸候选区域的效率。

另外，通过采用初步检测模型获取目标图像中的每一个像素为人脸的概率，将包含所有目标像素的最小矩形区域确定为人脸候选区域，其中，目标像素是指概率大于预设阈值的像素，提高了确定出的人脸候选区域的精确度。

另外，通过根据人脸候选区域在目标图像中的尺寸，确定精确检测模型的滑动窗口的尺寸，而后采用精确检测模型按照确定的滑动窗口从人脸候选区域中提取图像特征，并根据图像特征确定人脸在人脸候选区域中的位置，一方面能够在检测速度和精度之间得到权衡，另一方面有助于提高特征提取的性能。

图6是根据另一示例性实施例示出的一种人脸检测装置的框图。该装置具有实现上述方法示例的功能，所述功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。该装置可以包括：初步检测模块610，区域提取模块620，区域发送模块630和位置接收模块640。

初步检测模块610，被配置为采用初步检测模型检测目标图像中的人脸候选区域，人脸候选区域为包含人脸的图像块。

初步检测模型用于对目标图像进行初步检测，辨别目标图像是人脸图像还是非人脸图像，从而快速筛选掉非人脸图像。在一个示例中，初步检测模型是对FCN(全卷积网络)进行训练得到的模型。初步检测模型包括卷积层与反卷积层。其中，初步检测模型的卷积层用于提取目标图像的特征图(Feature Map)，初步检测模型的反卷积层用于对上述提取到的特征图进行上采样。FCN具有模型体积小，计算速度快的优势。

在一个示例中，初步检测模块610，包括：概率获取子模块和区域确定子模块。

概率获取子模块，被配置为采用初步检测模型获取目标图像中的每一个像素为人脸的概率。

区域确定子模块，被配置为根据概率获取子模块获取的各个像素对应的概率确定人脸候选区域，人脸候选区域包括概率大于预设阈值的像素。

可选地，区域确定子模块，被配置为将包含所有目标像素的最小矩形区域确定为人脸候选区域。其中，目标像素是指概率大于预设阈值的像素。

区域提取模块620，被配置为当初步检测模块610从目标图像中检测到人脸候选区域时，提取人脸候选区域。

从目标图像中提取人脸候选区域，也即从目标图像中截取人脸候选区域。

另外，当从目标图像中未检测到人脸候选区域时，说明该目标图像为非人脸图像，即可结束流程。

区域发送模块630，被配置为将区域提取模块提取620的人脸候选区域发送给服务器。其中，服务器用于采用精确检测模型对该人脸候选区域进行处理，确定人脸在人脸候选区域中的位置。

精确检测模型用于精确检测人脸位置。在一个示例中，精确检测模型是对CNN(卷积神经网络)进行训练得到的模型。精确检测模型包括卷积层与全连接层。精确检测模型的卷积层用于从人脸候选区域中提取图像特征，精确检测模型的全连接层用于检测人脸位置。相较于FCN，CNN的检测精度更高，能够精确定位人脸位置，但CNN的模型体积也相对较大，计算速度相对较慢。

位置接收模块640，被配置为接收服务器发送的人脸在人脸候选区域中的位置。

可选地，该装置还包括：位置确定模块650。

位置确定模块650，被配置为根据服务器发送的人脸在人脸候选区域中的位置和人脸候选区域在目标图像中的位置，确定人脸在目标图像中的位置。

由于精确检测模型获取的是人脸在人脸候选区域中的位置，如需进一步确定人脸在目标图像中的位置，可根据人脸在人脸候选区域中的位置和人脸候选区域在目标图像中的位置进行计算得到。

可选地，该装置还包括：尺寸缩小模块。

尺寸缩小模块，被配置为按照预设比例缩小目标图像的尺寸。其中，初步检测模型用于从缩小后的目标图像中检测人脸候选区域。

也即，按照预设比例缩小目标图像的分辨率。通过缩小目标图像的尺寸，可以减少初步检测模型的计算量，提高初步检测模型检测人脸候选区域的效率。

可选地，如果人脸候选区域是从缩小后的目标图像中提取的，则在将人脸候选区域发送给服务器之前，需要按照上述预设比例将提取的人脸候选区域的尺寸进行放大，以恢复至其在原始的目标图像中的大小。在本实施例中，通过将模型体积较小的初步检测模型部署在移动终端，将模型体积较大的精确检测模型部署在服务器端。充分利用移动终端的处理能力和资源，由移动终端对图像进行初步筛选，快速筛选掉非人脸图像；而对于人脸图像，移动终端将从中提取的人脸候选区域发送给服务器，由服务器端部署的精确检测模型确定人脸的精确位置。在提高检测效率的同时，充分利用了移动终端的处理资源。

需要说明的一点是，上述实施例提供的装置在实现其功能时，仅以上述各个功能模块的划分进行举例说明，实际应用中，可以根据实际需要而将上述功能分配由不同的功能模块完成，即将设备的内容结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

本公开一示例性实施例还提供了一种人脸检测装置，能够实现本公开提供的人脸检测方法。该装置包括：处理器，以及用于存储处理器的可执行指令的存储器。其中，处理器被配置为：

采用初步检测模型检测目标图像中的人脸候选区域，所述人脸候选区域为包含人脸的图像块；

当从所述目标图像中检测到所述人脸候选区域时，提取所述人脸候选区域；

采用精确检测模型对所述人脸候选区域进行处理，确定所述人脸在所述人脸候选区域中的位置。

可选地，所述处理器被配置为：

采用所述初步检测模型获取所述目标图像中的每一个像素为人脸的概率；

根据各个所述像素对应的概率确定所述人脸候选区域，所述人脸候选区域包括所述概率大于预设阈值的像素。

可选地，所述处理器被配置为：

将包含所有目标像素的最小矩形区域确定为所述人脸候选区域；

其中，所述目标像素是指所述概率大于预设阈值的像素。

可选地，所述处理器被配置为：

根据所述人脸候选区域在所述目标图像中的尺寸，确定所述精确检测模型的滑动窗口的尺寸；

采用所述精确检测模型按照确定的所述滑动窗口从所述人脸候选区域中提取图像特征，并根据所述图像特征确定所述人脸在所述人脸候选区域中的位置。

可选地，所述处理器还被配置为：

按照预设比例缩小所述目标图像的尺寸；

其中，所述初步检测模型用于从缩小后的目标图像中检测所述人脸候选区域。

可选地，所述处理器还被配置为:

根据所述人脸在所述人脸候选区域中的位置和所述人脸候选区域在所述目标图像中的位置，确定所述人脸在所述目标图像中的位置。

可选地，所述初步检测模型是对FCN进行训练得到的模型，所述精确检测模型是对CNN进行训练得到的模型。

可选地，所述处理器还被配置为:

采用训练样本对所述FCN和所述CNN进行训练，得到所述初步检测模型和所述精确检测模型；

其中，所述训练样本包括人脸图像和非人脸图像，所述人脸图像中的人脸在所述人脸图像中的尺寸占比属于预设取值区间。

本公开另一示例性实施例还提供了一种人脸检测装置，能够实现本公开提供的人脸检测方法。该装置包括：处理器，以及用于存储处理器的可执行指令的存储器。其中，处理器被配置为：

采用初步检测模型检测目标图像中的人脸候选区域，所述人脸候选区域为包含人脸的图像块；

当从所述目标图像中检测到所述人脸候选区域时，提取所述人脸候选区域；

将所述人脸候选区域发送给服务器；其中，所述服务器用于采用精确检测模型对所述人脸候选区域进行处理，确定所述人脸在所述人脸候选区域中的位置；

接收所述服务器发送的所述人脸在所述人脸候选区域中的位置。

可选地，所述处理器还被配置为：

根据所述人脸在所述人脸候选区域中的位置和所述人脸候选区域在所述目标图像中的位置，确定所述人脸在所述目标图像中的位置。

可选地，所述初步检测模型是对FCN进行训练得到的模型，所述精确检测模型是对CNN进行训练得到的模型。

图7是根据一示例性实施例示出的一种装置700的框图。例如，装置700可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。

参照图7，装置700可以包括以下一个或多个组件：处理组件702，存储器704，电源组件706，多媒体组件708，音频组件710，输入/输出(I/O)接口712，传感器组件714，以及通信组件716。

处理组件702通常控制装置700的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件702可以包括一个或多个处理器720来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件702可以包括一个或多个模块，便于处理组件702和其他组件之间的交互。例如，处理组件702可以包括多媒体模块，以方便多媒体组件708和处理组件702之间的交互。

存储器704被配置为存储各种类型的数据以支持在装置700的操作。这些数据的示例包括用于在装置700上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器704可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电源组件707为装置700的各种组件提供电力。电源组件707可以包括电源管理系统，一个或多个电源，及其他与为装置700生成、管理和分配电力相关联的组件。

多媒体组件708包括在所述装置700和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件708包括一个前置摄像头和/或后置摄像头。当装置700处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件710被配置为输出和/或输入音频信号。例如，音频组件710包括一个麦克风(MIC)，当装置700处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器704或经由通信组件716发送。在一些实施例中，音频组件710还包括一个扬声器，用于输出音频信号。

I/O接口712为处理组件702和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件714包括一个或多个传感器，用于为装置700提供各个方面的状态评估。例如，传感器组件714可以检测到装置700的打开/关闭状态，组件的相对定位，例如所述组件为装置700的显示器和小键盘，传感器组件714还可以检测装置700或装置700一个组件的位置改变，用户与装置700接触的存在或不存在，装置700方位或加速/减速和装置700的温度变化。传感器组件714可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件714还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件714还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件716被配置为便于装置700和其他设备之间有线或无线方式的通信。装置700可以接入基于通信标准的无线网络，如Wi-Fi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件716经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件716还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，装置700可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器704，上述指令可由装置700的处理器720执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

一种非临时性计算机可读存储介质，当所述存储介质中的指令由装置700的处理器执行时，使得装置700能够执行上述方法。

图8是根据另一示例性实施例示出的一种装置800的框图。例如，装置800可以被提供为一服务器。参照图8，装置800包括处理组件822，其进一步包括一个或多个处理器，以及由存储器832所代表的存储器资源，用于存储可由处理部件822执行的指令，例如应用程序。存储器832中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件822被配置为执行指令，以执行上述人脸检测方法。

装置800还可以包括一个电源组件826被配置为执行装置800的电源管理，一个有线或无线网络接口850被配置为将装置800连接到网络，和一个输入输出(I/O)接口858。装置800可以操作基于存储在存储器832的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。

应当理解的是，在本文中提及的“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。