本发明涉及计算机视觉技术领域，具体而言，涉及一种降低人脸检测误检率的方法、装置及电子设备。
背景技术
人脸检测技术在智能信息时代扮演者不可或缺的角色。首先，人脸检测是自动人脸识别系统中的一个关键环节。其次，人脸检测在基于内容检索、数字图像处理、视频检测及安防监控等方面均有着重要的应用价值。随着智能技术的发展，人脸检测方法也在不断革新，从基于关键点检测以及匹配的传统方法到基于cnn的深度学习方法，人脸检测准确率以及时效性也不断得到提升。然而，不管是传统方法还是基于深度网络模型的方法，人脸检测误检的问题总是存在。这一问题对于像人脸抓拍机之类的应用来说显得异常糟糕，因为抓拍系统在上报抓拍到的人脸的同时也会不断上报被误检的目标，尤其是上报镜头前固定背景下的某一固定误检物体。
目前，解决人脸误检问题已成为基于深度网络模型系列方法中最主要的问题之一，尤其是在复杂的环境背景下使用人脸检测系统。由于人脸检测系统使用场景及光照等环境因素的多样性，现有的通过增加负样本来克服误检显然不是万全之策，因此，如何实现一种对系统抓拍准确率及性能不会造成影响，又可以降低人脸检测准确率的问题亟待解决。
技术实现要素：
有鉴于此，本发明的目的在于，提供一种降低人脸检测误检率的方法、装置及电子设备以解决上述问题。
本发明的较佳实施例提供一种降低人脸检测误检率的方法，所述方法包括：
获取待检测的当前帧图像以及所述当前帧图像的上一帧图像；
从所述当前帧图像中获得多个第一目标区块，并获得所述上一帧图像中与各所述第一目标区块对应坐标的第二目标区块；
根据各所述第一目标区块及与其对应坐标的第二目标区块的帧差关系判断各所述第一目标区块是否为静态对象；
若判定为静态动态，则将判定为静态对象的第一目标区块从所述当前帧图像中删除。
进一步地，所述将判定为静态对象的第一目标区块从所述当前帧图像中删除的步骤之后，所述方法还包括：
将进行删除处理后的当前帧图像中剩余的第一目标区块输入至建立的人脸分类器中，以从该剩余的第一目标区块中筛选出人脸对象。
进一步地，所述根据各所述第一目标区块及与其对应坐标的第二目标区块的帧差关系判断各所述第一目标区块是否为静态对象的步骤，包括：
对各所述第一目标区块及与其对应坐标的第二目标区块进行差分运算，以得到各所述第一目标区块及与其对应的第二目标区块的帧差图；
针对各所述帧差图，将所述帧差图中各像素点的像素值与第一预设阈值进行比较，根据比较结果得到各像素点对应的帧差等值；
根据各所述像素点的帧差等值得到所述帧差图对应的第一目标区块与第二目标区块之间的帧差总值；
根据所述帧差总值判断所述第一目标区块是否为静态对象。
进一步地，所述将所述帧差图中各像素点的像素值与第一预设阈值进行比较，根据比较结果得到各像素点对应的帧差等值，根据各所述像素点的帧差等值得到所述帧差图对应的第一目标区块与第二目标区块之间的帧差总值的步骤，包括：
将所述帧差图划分为多个子区块；
针对各所述子区块，将所述子区块中各像素点的像素值分别与所述第一预设阈值进行比较；
将像素值大于所述第一预设阈值的像素点的帧差等值置为1，将像素值小于等于所述第一预设阈值的像素点的帧差等值置为0；
统计所述子区块中包含的像素点的帧差等值的总和；
对各所述子区块对应的帧差等值的总和进行累加，以得到所述第一目标区块和所述第二目标区块之间的帧差总值。
进一步地，所述根据所述帧差总值判断所述第一目标区块是否为静态对象的步骤，包括：
检测所述帧差总值是否小于第二预设阈值，若小于所述第二预设阈值，则判定所述第一目标区块为静态对象；
若大于等于所述第二预设阈值，则从所述多个子区块中选取预设个数的帧差等值的总和最大的子区块；
对选取的子区块的帧差等值的总和进行累加，计算得到的累加值与所述帧差总值之间的比例；
检测所述比例是否大于第三预设阈值，若大于所述第三预设阈值，则判定所述第一目标区块为静态对象。
进一步地，所述人脸分类器通过以下步骤获得：
构建基于卷积神经网络的分类器网络架构；
将获取的多个人脸图像正样本和多个负样本分别输入至所述分类器网络架构中以对所述人脸图像正样本和所述负样本进行训练，以得到所述人脸分类器。
进一步地，所述将进行删除处理后的当前帧图像中剩余的第一目标区块输入至建立的人脸分类器中，以从该剩余的第一目标区块中筛选出人脸对象的步骤，包括：
将删除后剩余的第一目标区块输入至建立的人脸分类器；
检测所述第一目标区块与所述人脸分类器中训练后的人脸图像正样本之间的第一拟合度，以及所述第一目标区块与所述人脸分类器中训练后的负样本之间的第二拟和度；
将所述第一目标区块对应的第一拟合度与第二拟合度进行比较，若所述第一拟合度大于所述第二拟合度，则判定该第一目标区块为人脸对象。
进一步地，所述从所述当前帧图像中获得多个第一目标区块，并获得所述上一帧图像中与各所述第一目标区块对应坐标的第二目标区块的步骤之前，所述方法还包括：
将所述当前帧图像和所述上一帧图像进行同比例缩放。
本发明的另一较佳实施例还提供一种降低人脸检测误检率的装置，所述装置包括：
图像获取模块，用于获取待检测的当前帧图像以及所述当前帧图像的上一帧图像；
目标区块获取模块，用于从所述当前帧图像中获得多个第一目标区块，并获得所述上一帧图像中与各所述第一目标区块对应坐标的第二目标区块；
判断模块，用于根据各所述第一目标区块及与其对应坐标的第二目标区块的帧差关系判断各所述第一目标区块是否为静态对象；
删除模块，用于在判定为静态对象时，将判定为静态对象的第一目标区块从所述当前帧图像中删除。
本发明的另一较佳实施例还提供一种电子设备，包括：
存储器；
处理器；及
降低人脸检测误检率的装置，包括一个或多个存储于所述存储器中并由所述处理器执行的软件功能模块。
本发明实施例提供一种降低人脸检测误检率的方法、装置及电子设备，通过从当前帧图像中获得多个第一目标区块，并从该当前帧图像的上一帧图像中获得与各第一目标区块具有对应坐标的多个第二目标区块，根据各第一目标区块及与其对应的第二目标区块的帧差关系以判断各第一目标区块是否为静态对象，并在判定为静态对象时将对应的第一目标区块从当前帧图像中删除。通过以上步骤，利用帧差关系可准确判断出抓拍到的目标中的运动对象，降低了环境多样性对检测造成的干扰，提高了判断的准确性。为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本发明较佳实施例提供的电子设备的结构框图。
图2为本发明较佳实施例提供的降低人脸检测误检率的方法的流程图。
图3为图2中步骤s105的子步骤的流程图。
图4为图3中步骤s1053的子步骤的流程图。
图5为图3中步骤s1055的子步骤的流程图。
图6为本发明较佳实施例提供的降低人脸检测误检率的方法的另一流程图。
图7为本发明较佳实施例提供的建立人脸分类器的方法的流程图。
图8为本发明较佳实施例中构建的分类器网络架构示意图。
图9为图6中步骤s109的子步骤的流程图。
图10为本发明较佳实施例提供的降低人脸检测误检率的装置的功能模块框图。
图标：100-电子设备；110-降低人脸检测误检率的装置；111-图像获取模块；112-目标区块获取模块；113-判断模块；114-删除模块；115-筛选模块；120-处理器；130-存储器。
具体实施方式
发明人经研究发现，现有技术中常采用下述方法来实现对人脸抓拍后的目标筛选：
(1)一种方式是在人脸检测系统在人脸抓拍环节之后，采用基于肤色过滤的方法对抓拍到的所有目标进行筛选，以滤除系统认为非人脸的目标。
此方法首先对抓拍到的所有目标进行前景判断，然后利用训练好的肤色前景分类器对已经判断为前景的抓拍目标进行打分筛选，符合所设定阈值条件的即判断为人脸目标并输出，用于后续环节的人脸识别等应用，不符合则删除目标。
(2)另一种方式是部分人脸检测系统在人脸抓拍环节之后，采用基于模板匹配及类似的方法对抓拍到的所有目标进行匹配筛选，以滤除系统认为非人脸的目标。
此类方法首先对抓拍到的所有目标进行人脸轮廓或部分关键点定位，然后利用事先制作好的一类或者几类人脸模板与该目标进行关键点的匹配判断，符合所设定阈值条件的即判断为人脸并输出目标，用于后续环节的人脸识别等应用，不符合则删除目标。
在上述的第一种方式中，由于在工程实践中，人脸检测相关应用所处的场景存在多样性、复杂性等特点，比如室外夜间以及其他环境光杂乱的环境，这对采用肤色等基于颜色空间的筛选策略造成了很大的制约。因为在这些特殊场景下，所要抓拍的人脸受到环境光的影响很大，导致人脸肤色并不能满足事先设定的基于颜色空间的筛选条件。另外就是，基于肤色过滤的策略不能适用于灰度图像，适用范围相对较窄。
而对于上述第二方式，同样地，在工程实践中，人脸检测系统的前端装置所处的环境存在的多样性、复杂性等特点，给所抓拍到的目标进行提取轮廓或关键点过程造成了很大的困难。另外，在实际操作中，所要抓拍的行人运动随意性很大，很容易出现转头、低头、遮挡等现象，抓拍到的人脸很大一部分都是侧脸，再加上环境光的影响，即使抓拍到的是人脸目标也很难准确提取其关键点，这些因素在很大程度上会降低模板匹配的准确率。同时，模板匹配方法较为耗时，对于工程实践中的实时抓拍来说是不太适用的。
基于上述研究，本发明实施例提供了一种降低人脸检测误检率的方案，能够利用待处理的图像中的当前帧和其上一帧图像之间的帧差关系，而从当前帧图像中的多个目标区块中筛选出运动对象，大幅减少了环境多样性对判断造成的干扰，降低了误检率。
下面将结合本发明实施例中附图，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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的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。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，除非另有明确的规定和限定，术语“安装”、“设置”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
请参阅图1，为本发明实施例提供的电子设备100的示意性结构框图。在本实施例中，所述电子设备100可以为摄像设备、拍照设备等具有图像采集功能的电子设备100。如图1所示，所述电子设备100可以包括存储器130、处理器120以及存储在所述存储器130上并可以在所述处理器120上运行的计算机程序，所述处理器120执行所述程序时使得所述电子设备100实现本发明的降低人脸检测误检率的方法。
所述存储器130与所述处理器120之间相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器130中存储有以软件或固件(firmware)的形式存储于所述存储器130中的软件功能模块，所述处理器120通过运行存储在存储器130内的软件程序以及模块，如本发明实施例中的降低人脸检测误检率的装置110，从而执行各种功能应用以及数据处理，即实现本发明实施例中的降低人脸检测误检率的方法。
可以理解，图1所示的结构仅为示意，所述电子设备100还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。
请参照图2，图2为应用于图1所示的电子设备100的一种降低人脸检测误检率的方法的流程图，以下将对所述方法包括的各个步骤进行详细阐述。
步骤s101，获取待检测的当前帧图像以及所述当前帧图像的上一帧图像。
步骤s103，从所述当前帧图像中获得多个第一目标区块，并获得所述上一帧图像中与各所述第一目标区块对应坐标的第二目标区块。
本实施例所提供的降低人脸检测误检率的方法应用在系统抓拍环节之后及人脸识别等应用之前。考虑到在工程实践中，用于人脸抓拍的系统所要抓拍的行人具有运动属性，所以在本实施例中，首先设计了运动目标的筛选机制，以从抓拍到的图像中获得运动对象。
在本实施例中，从抓拍到的图像中获取当前帧图像以及该当前帧图像的上一帧图像。其中，该当前帧图像和上一帧图像预先进行过预处理，本实施例中，可以是对当前帧图像和上一帧图像采用神经网络算法进行预处理，以在当前帧图像和上一帧图像中保留多个可能存在人脸图像的区域。关于采用神经网络算法对图像进行预处理可参考现有技术获得更多相关知识，本实施例不作赘述。
但由于环境、实时性等因素对预处理过程造成的影响，因此预处理后得到的区域一般存在误检，处理后的区域可能为包含人脸的区域，也可能是包含其他的，例如静态对象的区域。因此，需采用本实施例中提供的帧差策略从中检测出表征为人脸对象的运动对象，从而降低误检率。
本实施例中，从预处理后的当前帧图像中获得多个第一目标区块，所述第一目标区块即为上述的可能包含人脸图像的区域。其中，各所述第一目标区块在所述当前帧图像中具有各自的坐标值，该坐标值可为二维坐标值，可以各所述第一目标区块的中心点的坐标值作为各第一目标区块的整体坐标值。可选地，并从所述当前帧图像的上一帧图像中获得与各所述第一目标区块具有相同坐标值的区块，以作为分别与各所述第一目标区块相对应的第二目标区块。后续可根据各第一目标区块及与其对应坐标的第二目标区块之间的帧差关系以判断各第一目标区块为运动对象还是为静态对象。
在本实施例中，为了减少图像的处理量，还可对所述当前帧图像和所述上一帧图像进行同比例缩放，以将所述当前帧图像和所述上一帧图像缩小到适当的尺寸。再进行后续处理，以此提高处理效率、节省处理时间。
步骤s105，根据各所述第一目标区块及与其对应坐标的第二目标区块的帧差关系判断各所述第一目标区块是否为静态对象。
请参阅图3，在本实施例中，步骤s105可以包括步骤s1051、步骤s1053以及步骤s1055三个子步骤。
步骤s1051，对各所述第一目标区块及与其对应坐标的第二目标区块进行差分运算，以得到各所述第一目标区块及与其对应的第二目标区块的帧差图。
步骤s1053，针对各所述帧差图，将所述帧差图中各像素点的像素值与第一预设阈值进行比较，根据比较结果得到各像素点对应的帧差等值，根据各所述像素点的帧差等值得到所述帧差图对应的第一目标区块与第二目标区块之间的帧差总值。
在本实施例中，为了避免计算整张图的帧差值带来的时间开销，可仅对进行尺寸缩小后的当前帧图像中的各第一目标区块和所述上一帧图像中的各第二目标区块进行帧差值计算。可选地，针对各所述第一目标区块，可对各所述第一目标区块及与其对应坐标的第二目标区块进行差分运算，以得到各所述第一目标及与其对应坐标的第二目标区块的帧差图。
针对各帧差图，可获取该帧差图中的各个像素点的像素值，并将各像素点对应的像素值与第一预设阈值进行比较，根据该帧差图中各像素点的比较结果来判断该帧差图对应的第一目标区块是否为静态对象。其中，所述第一预设阈值可设定为10，或者是其他的适宜的数值。
请参阅图4，在本实施例中，步骤s1053可以包括步骤s10531、步骤s10533、步骤s10535、步骤s10537以及步骤s10539五个子步骤。
步骤s10531，将所述帧差图划分为多个子区块。
步骤s10533，针对各所述子区块，将所述子区块中各像素点的像素值分别与所述第一预设阈值进行比较。
步骤s10535，将像素值大于所述第一预设阈值的像素点的帧差等值置为1，将像素值小于等于所述第一预设阈值的像素点的帧差等值置为0。
步骤s10537，统计所述子区块中包含的像素点的帧差等值的总和。
步骤s10539，对各所述子区块对应的帧差等值的总和进行累加，以得到所述第一目标区块和所述第二目标区块之间的帧差总值。
在本实施例中，在判断各第一目标区块是否为静态对象时，为了提高判断的准确性，可对各第一目标区块对应的帧差图进行区块划分，再根据各区块中的像素点的像素值情况来进行判断。可选地，针对各所述帧差图，可将所述帧差图划分为多个子区块，例如划分为4*4的16个子区块，当然也可以划分为其他数量个子区块，对此本实施例不作具体限制。只是在进行子区块的划分时，需要注意的是为了后续处理方便，每个子区块至少应当保证具有多个像素点，例如2个或3个等。再针对每一个子区块，分别计算其侦差值。
可选地，在本实施例中，针对各个子区块，获得该子区块中包含的多个像素点，并将各像素点对应的像素值分别与所述第一预设阈值进行比较。实际操作中为了方便统计，可将像素值大于所述第一预设阈值的像素点的帧差等值置为1，将像素值小于等于所述第一预设阈值的像素点的帧差等值置为0。此处的帧差等值即可等效于该像素点的帧差值。如此，统计到的该子区块中的像素点的帧差等值之和即为该子区块中像素值大于所述第一预设阈值的像素点的个数。
在分别进行得到各个子区块的帧差等值的总和后，例如可将各子区块的帧差等值的总和分别记为wn,1，wn,2，…，wn,16，其中，n表示各子区块对应的帧差图的编号。可将各子区块的帧差等值的总和进行累加，以得到各子区块对应的帧差图的帧差总值，即该帧差图对应的第一目标区块与第二目标区块之间的帧差总值，记为wsum。
步骤s1055，根据所述帧差总值判断所述第一目标区块是否为静态对象。
请参阅图5，在本实施例中，步骤s1055可以包括步骤s10551、步骤s10552、步骤s10553、步骤s10554以及步骤s10555五个子步骤。
在本实施例中，在判断当前帧图像中各第一目标区块是否为静态对象时，可根据该第一目标区块及与其对应的第二目标区块之间的帧差等值的情况来进行判断，也可以结合该第一目标区块及与其对应的第二目标区块之间的帧差等值以及该第一目标区块及与其对应的第二目标区块之间的帧差图中的各个子区块的帧差等值之和的情况来综合判断。
步骤s10551，检测所述帧差总值是否小于第二预设阈值，若小于所述第二预设阈值，则执行以下步骤s10552，若大于等于所述第二预设阈值，则执行以下步骤s10553。
步骤s10552，判定所述第一目标区块为静态对象。
步骤s10553，从所述多个子区块中选取预设个数的帧差等值的总和最大的子区块。
步骤s10554，对选取的子区块的帧差等值的总和进行累加，计算得到的累加值与所述帧差总值之间的比例。
步骤s10555，检测所述比例是否大于第三预设阈值，若大于所述第三预设阈值，则执行步骤s10552。
在本实施例中，针对各所述第一目标区块，检测所述第一目标区块及与其对应的第二目标区块之间的侦差等值是否小于第二预设阈值，其中该第二预设阈值可设置为30或者其他数值，如下：
wsum<30
若小于所述第二预设阈值，则表明该第一目标区块与对应的第二目标区块之间的相差不大，极有可能该第一目标区块对应的对象为静态对象。相反地，若该第一目标区块及与其对应的第二目标区块之间的帧差总值大于等于所述第二预设阈值，表明该第一目标区块可能为动态对象，但是考虑到这种情况下，可能会将一些其他的对象误归为动态对象，例如对于一个包含地面图像的区块，可能会因为行人在经过该地面时产生的动态图像而使该地面图像的区块的帧差总值大于所述第二预设阈值，进而将该地面图像误检为动态对象。因此，在其帧差总值大于等于所述第二预设阈值时，可对该第一目标区块中的动态子区块的分布的均匀性进行考虑，以进一步降低误检率。
可选地，在本实施例中，在所述第一目标区块及与其对应的第二目标区块之间的侦差总值大于等于所述第二预设阈值时，从该第一目标区块对应的帧差图中所划分出的多个子区块中选取出其帧差等值的总和最大的子区块，例如可选取出四个子区块，或者是其他数量个子区块，对此本实施例不作具体限制。
将选取出的子区块的帧差等值的总和进行累加，并将累加得到的结果与所述第一目标区块对应的侦差总值作比得到两者之间的比例值。并将得到的比例值与第三预设阈值进行比例，例如该第三预设阈值可为0.75，或者也可以为其他数值。若得到的比例值大于所述第三预设阈值，即满足下式时，则可判定该第一目标区块对应的对象为静态对象。
其中，wsum为第一目标区块及与其对应的第二目标区块之间的帧差总值，wmax1、wmax2、wmax3、wmax4分别为所述第一目标区块对应的帧差图中侦差等值的总和最大的前四块的子区块的侦差等值的总和。
步骤s107，将判定为静态对象的第一目标区块从所述当前帧图像中删除。
需要说明的是，极个别正常抓拍的人脸因基本没有运动，其对应的帧差总值因满足小于所述第二预设阈值而被删除，但是考虑到抓拍系统是连续抓拍，所以此类情况经实践发现基本不会对整体抓拍率造成影响。
本实施例中，通过以上的侦差策略在很大程度上解决了静态误检的问题，但是对动态误检的滤除效果却不够理想，因此在上述基础上，本实施例还设计了基于深度学习方式训练的分类器以从动态目标中筛选出人脸对象。请参阅图6，本实施例提供的降低人脸检测误检率的方法还包括以下步骤：
步骤s109，将进行删除处理后的当前帧图像中剩余的第一目标区块输入至建立的人脸分类器中，以从该剩余的第一目标区块中筛选出人脸对象。
可选地，在通过以上步骤后，可从抓拍到的图像中检测出静态对象，并将判定为静态对象的第一目标区块删除，以避免对后续处理造成干扰。将删除后剩余的第一目标区块输入至建立的人脸分类器中，以从剩余的第一目标区块中筛选出人脸对象。需要说明的是，在进行删除后所剩下的第一目标区块可能为一个第一目标区块，也可能为多个第一目标区块，对此在本实施例中不作具体限制。
请参阅图7，在本实施例中，可通过以下步骤建立所述人脸分类器：
步骤s201，构建基于卷积神经网络的分类器网络架构。
步骤s203，将获取的多个人脸图像正样本和多个负样本分别输入至所述分类器网络架构中以对所述人脸图像正样本和所述负样本进行训练，以得到所述人脸分类器。
本实施例中，构建了基于卷积神经网络的分类器网络架构，本实施例中构建的分类器网络架构包括三个卷积层、四个池化层以及两个全连接层，其具体结构如图8所示。其中，卷积层一、卷积层二、卷积层三以及全连接层一、全连接层二的卷积核个数分别依次为8、16、32、32、2。其中，卷积核尺寸除了全连接层二为1*1之外，其余几层的卷积核的尺寸均为3*3。并且，上述各层的步长均为1。其中，在本网络架构中，池化层一、池化层二、池化层三以及池化层四的核大小均为2*2，步长均为2。
在本实施例中，为了使收敛更快，本网络架构激活方式均采用relu函数，另外，为了防止过拟合，在最后一个下采样层，即池化层四，添加了dropout机制，随机让某些隐层权重不工作。
在本实施例中，在构建好上述分类器网络架构后，将用于训练的多个人脸图像正样本以及多个负样本，即非人脸图像样本，分别输入至上述建立的分类器网络架构中，在该网络架构中对所述多个人脸图像正样本和所述多个负样本进行训练，从而得到上述的人脸分类器，以作后续的对人脸图像的判断标准。
请参阅图9，在本实施例中，步骤s109可以包括步骤s1091、步骤s1093以及步骤s1095三个子步骤。
步骤s1091，将删除后剩余的第一目标区块输入至建立的人脸分类器。
步骤s1093，检测所述第一目标区块与所述人脸分类器中训练后的人脸图像正样本之间的第一拟合度，以及所述第一目标区块与所述人脸分类器中训练后的负样本之间的第二拟和度。
步骤s1095，将所述第一目标区块对应的第一拟合度与第二拟合度进行比较，若所述第一拟合度大于所述第二拟合度，则判定该第一目标区块为人脸对象。
在本实施例中，将上述的删除静态对象后剩余的多个第一目标区块输入至建立的人脸分类器中，以在该人脸分类器中对各第一目标区块进行分类。
本实施例中，检测输入至所述人脸分类器中的各第一目标区块分别与该人脸分类器中经过训练后的人脸图像正样本之间的第一拟合度，以及各第一目标区块分别与经过训练后的负样本之间的第二拟合度，其中，第一拟合度和第二拟合度均为小于1且大于0的小数，且第一拟合度和第二拟合度的和为1。检测各第一目标区块对应的第一拟合度是否大于第二拟合度，若大于，则表明该第一目标区块对人脸图像正样本的拟合度更高，可判定该第一目标区块对应的对象为人脸图像。并且，将确认为人脸图像的第一目标区块报送后续的人脸应用环节，否则，可确认为误检对象，进行删除处理。至此，人脸筛选环节结束。
请参阅图10，为本发明实施例提供的应用于上述电子设备100的降低人脸检测误检率的装置110的功能模块框图。所述装置包括图像获取模块111、目标区块获取模块112、判断模块113、删除模块114以及筛选模块115。
所述图像获取模块111用于获取待检测的当前帧图像以及所述当前帧图像的上一帧图像。所述图像获取模块111可用于执行图2中所示的步骤s101，具体的操作方法可参考步骤s101的详细描述。
所述目标区块获取模块112用于从所述当前帧图像中获得多个第一目标区块，并获得所述上一帧图像中与各所述第一目标区块对应坐标的第二目标区块。所述目标区块获取模块112可用于执行图2中所示的步骤s103，具体的操作方法可参考步骤s103的详细描述。
所述判断模块113用于根据各所述第一目标区块及与其对应坐标的第二目标区块的帧差关系判断各所述第一目标区块是否为静态对象。所述判断模块113可用于执行图2中所示的步骤s105，具体的操作方法可参考步骤s105的详细描述。
所述删除模块114用于在判定为静态对象时，将判定为静态对象的第一目标区块从所述当前帧图像中删除。所述删除模块114可用于执行图2中所示的步骤s107，具体的操作方法可参考步骤s107的详细描述。
所述筛选模块115用于将进行删除处理后的当前帧图像中剩余的第一目标区块输入至建立的人脸分类器中，以从该剩余的第一目标区块中筛选出人脸对象。所述筛选模块115可用于执行图6中所示的步骤s109，具体的操作方法可参考步骤s109的详细描述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置的具体工作过程，可以参考前述方法中的对应过程，在此不再过多赘述。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本发明可以通过硬件实现，也可以借助软件加必要通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器或者网络设备等)执行本发明各个实施场景所述的方法。
综上所述，本发明实施例提供在降低人脸检测误检率的方法、装置及电子设备100，通过从当前帧图像中获得多个第一目标区块，并从该当前帧图像的上一帧图像中获得与各第一目标区块具有对应坐标的多个第二目标区块，根据各第一目标区块及与其对应的第二目标区块的帧差关系以判断各第一目标区块是否为静态对象，并在判定为静态对象时将对应的第一目标区块删除。在此基础上，将剩下的第一目标区块输入至建立的人脸分类器中，以从剩下的第一目标区块中筛选出人脸图像。通过以上步骤，利用帧差关系可准确判断出抓拍到的目标中的运动对象，降低了环境多样性对检测造成的干扰，提高了判断的准确性。进一步地，结合深度学习的人脸分类器从运动对象中筛选出人脸图像，进一步滤除误检。
在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。