本申请涉及计算机技术领域，具体涉及互联网技术领域，尤其涉及人脸检测方法和装置。
背景技术：
随着互联网技术的发展，人脸检测技术应用到了越来越多的领域。例如，可以通过人脸检测来进行身份验证等。现有的人脸检测方法通常是直接从图像中进行人脸整体区域的检测，然而，在人脸被部分遮挡的情况下(例如戴墨镜、戴口罩等情况)，图像中则仅呈现人脸的局部，因而现有的方式存在着在人脸被部分遮挡的情况下的检测结果的准确性较低的问题。
技术实现要素：
本申请实施例的目的在于提出一种改进的人脸检测方法和装置，来解决以上背景技术部分提到的技术问题。
第一方面，本申请实施例提供了一种人脸检测方法，该方法包括：获取待检测图像；将待检测图像输入至预先训练的第一卷积神经网络，得到人脸整体特征信息和人脸局部特征信息，其中，第一卷积神经网络用于提取人脸整体特征和人脸局部特征；将人脸整体特征信息和人脸局部特征信息输入至预先训练的第二卷积神经网络，得到人脸检测结果，其中，第二卷积神经网络用于表征人脸整体特征信息、人脸局部特征信息与人脸检测结果的对应关系。
在一些实施例中，人脸整体特征信息为多个人脸整体特征图，多个人脸整体特征图包括第一人脸整体特征图和多个第二人脸整体特征图，其中，第一人脸整体特征图中的每一个点用于表征待检测图像中与该点相对应的区域存在人脸整体的置信度，各个第二人脸整体特征图中的每一个点用于表征待检测图像中与该点相对应的区域的位置信息。
在一些实施例中，多个第二人脸整体特征图为4个第二人脸整体特征图，4个第二人脸整体特征图中的点分别用于表征待检测图像中相对应的区域的左上角顶点的横坐标、左上角顶点的纵坐标、右下角顶点的横坐标、右下角顶点的纵坐标。
在一些实施例中，人脸局部特征信息为多个人脸局部特征图，多个人脸局部特征图包括至少一个第一人脸局部特征图和与至少一个第一人脸局部特征图中的每一个第一人脸局部特征图相对应的多个第二人脸局部特征图，其中，各个第一人脸局部特征图中的每一个点用于表征待检测图像中与该点相对应的区域存在人脸局部的置信度，各个第二人脸局部特征图中的每一个点用于表征待检测图像中与该点相对应的区域的位置信息。
在一些实施例中，人脸局部包括以下至少一项：眼睛、鼻子、嘴。
在一些实施例中，与至少一个第一人脸局部特征图中的每一个第一人脸局部特征图相对应的多个第二人脸局部特征图为4个第二人脸局部特征图，4个第二人脸局部特征图中的点分别用于表征待检测图像中相对应的区域的左上角顶点的横坐标、左上角顶点的纵坐标、右下角顶点的横坐标、右下角顶点的纵坐标。
在一些实施例中，第二卷积神经网络为全卷积网络，全卷积网络的最后一层卷积层的卷积核的数量为5。
第二方面，本申请实施例提供了一种人脸检测装置，该装置包括：获取单元，配置用于获取待检测图像；第一输入单元，配置用于将待检测图像输入至预先训练的第一卷积神经网络，得到人脸整体特征信息和人脸局部特征信息，其中，第一卷积神经网络用于提取人脸整体特征和人脸局部特征；第二输入单元，配置用于将人脸整体特征信息和人脸局部特征信息输入至预先训练的第二卷积神经网络，得到人脸检测结果，其中，第二卷积神经网络用于表征人脸整体特征信息、人脸局部特征信息与人脸检测结果的对应关系。
在一些实施例中，人脸整体特征信息为多个人脸整体特征图，多个人脸整体特征图包括第一人脸整体特征图和多个第二人脸整体特征图，其中，第一人脸整体特征图中的每一个点用于表征待检测图像中与该点相对应的区域存在人脸整体的置信度，各个第二人脸整体特征图中的每一个点用于表征待检测图像中与该点相对应的区域的位置信息。
在一些实施例中，多个第二人脸整体特征图为4个第二人脸整体特征图，4个第二人脸整体特征图中的点分别用于表征待检测图像中相对应的区域的左上角顶点的横坐标、左上角顶点的纵坐标、右下角顶点的横坐标、右下角顶点的纵坐标。
在一些实施例中，人脸局部特征信息为多个人脸局部特征图，多个人脸局部特征图包括至少一个第一人脸局部特征图和与至少一个第一人脸局部特征图中的每一个第一人脸局部特征图相对应的多个第二人脸局部特征图，其中，各个第一人脸局部特征图中的每一个点用于表征待检测图像中与该点相对应的区域存在人脸局部的置信度，各个第二人脸局部特征图中的每一个点用于表征待检测图像中与该点相对应的区域的位置信息。
在一些实施例中，人脸局部包括以下至少一项：眼睛、鼻子、嘴。
在一些实施例中，与至少一个第一人脸局部特征图中的每一个第一人脸局部特征图相对应的多个第二人脸局部特征图为4个第二人脸局部特征图，4个第二人脸局部特征图中的点分别用于表征待检测图像中相对应的区域的左上角顶点的横坐标、左上角顶点的纵坐标、右下角顶点的横坐标、右下角顶点的纵坐标。
在一些实施例中，第二卷积神经网络为全卷积网络，全卷积网络的最后一层卷积层的卷积核的数量为5。
第三方面，本申请实施例提供了一种服务器，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如人脸检测方法中任一实施例的方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如人脸检测方法中任一实施例的方法。
本申请实施例提供的人脸检测方法和装置，通过将所获取的待检测图像输入至预先训练的第一卷积神经网络，得到人脸整体特征信息和人脸局部特征信息，之后将人脸整体特征信息和人脸局部特征信息输入至预先训练的第二卷积神经网络，得到人脸检测结果，从而在人脸被部分遮挡、仅呈现人脸的局部的情况下(例如戴墨镜、戴口罩等情况)，也可以结合人脸局部特征信息进行人脸检测，提高了在人脸被部分遮挡的情况下的检测结果的准确性。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本申请可以应用于其中的示例性系统架构图；
图2是根据本申请的人脸检测方法的一个实施例的流程图；
图3是根据本申请的人脸检测方法的一个应用场景的示意图；
图4是根据本申请的人脸检测装置的一个实施例的结构示意图；
图5是适于用来实现本申请实施例的服务器的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的人脸检测方法或人脸检测装置的示例性系统架构100。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如摄影摄像类应用、图像处理类应用、搜索类应用等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上传的图像进行处理的图像处理服务器。图像处理服务器可以对接收到的待检测图像等进行分析等处理，并将处理结果(例如人脸检测结果)反馈给终端设备。
需要说明的是，本申请实施例所提供的人脸检测方法一般由服务器105执行，相应地，人脸检测装置一般设置于服务器105中。
需要指出的是，服务器105的本地也可以直接存储待检测图像，服务器105可以直接提取本地的待检测图像进行检测，此时，示例性系统架构100可以不存在终端设备101、102、103和网络104。
还需要指出的是，终端设备101、102、103中也可以安装有图像处理类应用，终端设备101、102、103也可以基于图像处理类应用对待检测图像进行人脸检测，此时，人脸检测装置也可以由终端设备101、102、103执行，相应地，人脸检测装置也可以设置于终端设备101、102、103中。此时，示例性系统架构100可以不存在服务器105和网络104。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
继续参考图2，示出了根据本申请的人脸检测方法的一个实施例的流程200。所述的人脸检测方法，包括以下步骤：
步骤201，获取待检测图像。
在本实施例中，人脸检测方法运行于其上的电子设备(例如图1所示的服务器105)可以获取待检测图像。此处，上述待检测图像可以是与上述电子设备通信连接的客户端(例如图1所示的终端设备101、102、103)通过有线连接方式或无线连接方式上传至上述电子设备中的，也可以是上述电子设备本地所存储的。需要指出的是，上述无线连接方式可以包括但不限于3g/4g连接、wifi连接、蓝牙连接、wimax连接、zigbee连接、uwb(ultrawideband)连接、以及其他现在已知或将来开发的无线连接方式。
步骤202，将待检测图像输入至预先训练的第一卷积神经网络，得到人脸整体特征信息和人脸局部特征信息。
在本实施例中，上述电子设备可以将上述待检测图像输入至预先训练的第一卷积神经网络，得到人脸整体特征信息和人脸局部特征信息，其中，上述第一卷积神经网络可以用于提取人脸整体特征和人脸局部特征。上述第一卷积神经网络可以包括至少一个卷积层和至少一个池化层，其中，卷积层可以用于提取图像特征，池化层可以用于对输入的信息进行降采样(downsample)。实践中，卷积神经网络(convolutionalneuralnetwork，cnn)是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于图像处理有出色表现，因而，可以利用卷积神经网络进行图像特征信息的提取。此处，上述人脸整体特征信息可以是用于对图像中的人脸整体特征进行表征的信息，其中，人脸整体特征可以是与人脸整体相关的各种基本要素(例如是人脸整体的概率、人脸整体的位置等)；上述人脸局部特征信息可以是用于对图像中的人脸局部特征进行表征的信息，其中，人脸局部特征可以是与人脸局部相关的各种基本要素(例如是人脸局部的概率、人脸整体的位置等)进行表征的各种信息。
需要说明的是，上述第一卷积神经网络可以是利用机器学习方法和训练样本对现有的深度卷积神经网络(例如densebox、vggnet、resnet、segnet等)进行有监督训练而得到的。其中，上述训练样本可以包括大量的图像和每一个图像的标注，该标注可以包括用于指示是否是人脸区域的标注和用于指示人脸区域的位置的标注(例如坐标值等)。
在本实施例的一些可选的实现方式中，上述人脸整体特征信息可以是多个人脸整体特征图(featuremap)(例如5个人脸整体特征图或5个以上人脸整体特征图)，上述多个人脸整体特征图可以包括第一人脸整体特征图和多个第二人脸整体特征图(例如4个第二人脸整体特征图或4个以上第二人脸整体特征图)，其中，上述第一人脸整体特征图中的每一个点可以用于表征上述待检测图像中与该点相对应的区域存在人脸整体的置信度(可以用于表征该区域存在人脸的可能性或概率)，各个第二人脸整体特征图中的每一个点可以用于表征上述待检测图像中与该点相对应的区域的位置信息。需要说明的是，人脸整体特征图可以是以矩阵的形式进行表达，人脸整体特征图中的每一个点可以是矩阵中一个数值。实践中，由于上述第一卷积神经网络中包含用于执行降采样操作的池化层，因而，人脸整体特征图中的每一个点与上述待检测图像的一个区域相对应。
在本实施例的一些可选的实现方式中，上述多个第二人脸整体特征图可以为4个第二人脸整体特征图，上述4个第二人脸整体特征图中的点可以分别用于表征上述待检测图像中相对应的区域的左上角顶点的横坐标、左上角顶点的纵坐标、右下角顶点的横坐标、右下角顶点的纵坐标。需要说明的是，上述4个第二人脸整体特征图中的点也可以表征上述待检测图像中相对应的区域的其他位置，作为示例，可以分别用于表征上述待检测图像中相对应的区域的右上角顶点的横坐标、右上角顶点的纵坐标、左下角顶点的横坐标、左下角顶点的纵坐标。作为又一示例，可以分别用于表征上述待检测图像中相对应的区域的中心的横坐标、中心的纵坐标、区域的高、区域的宽。
在本实施例的一些可选的实现方式中，上述多个第二人脸整体特征图还可以是大于4个(例如6个、8个等)的第二人脸整体特征图。以上述多个第二人脸整体特征图为8个第二人脸整体特征图为例，上述4个第二人脸整体特征图中的点可以分别用于表征上述待检测图像中相对应的区域的左上角顶点的横坐标、左上角顶点的纵坐标、左下角顶点的横坐标、左下角顶点的纵坐标、右上角顶点的横坐标、右上角顶点的纵坐标、右下角顶点的横坐标、右下角顶点的纵坐标。
在本实施例的一些可选的实现方式中，上述人脸局部特征信息为多个人脸局部特征图(例如5个人脸局部特征图或5个以上人脸局部特征图)，上述多个人脸局部特征图可以包括至少一个第一人脸局部特征图和与上述至少一个第一人脸局部特征图中的每一个第一人脸局部特征图相对应的多个第二人脸局部特征图(例如4个第二人脸局部特征图或4个以上第二人脸局部特征图)，其中，各个第一人脸局部特征图中的每一个点可以用于表征上述待检测图像中与该点相对应的区域存在人脸局部的置信度，各个第二人脸局部特征图中的每一个点用于表征上述待检测图像中与该点相对应的区域的位置信息。需要说明的是，人脸局部特征图可以是以矩阵的形式进行表达，人脸局部特征图中的每一个点可以是矩阵中的一个数值。实践中，由于上述第一卷积神经网络中包含用于执行降采样操作的池化层，因而，人脸整体特征图中的每一个点与上述待检测图像的一个区域相对应。实践中，人脸局部可以是人脸中的一个或多个部分，例如可以是耳朵、眼睛、鼻子、嘴、下巴、眉毛、额头等等。
在本实施例的一些可选的实现方式中，上述人脸局部可以包括以下至少一项：眼睛、鼻子、嘴。
在本实施例的一些可选的实现方式中，与上述至少一个第一人脸局部特征图中的每一个第一人脸局部特征图相对应的多个第二人脸局部特征图可以为4个第二人脸局部特征图，上述4个第二人脸局部特征图中的点分别用于表征上述待检测图像中相对应的区域的左上角顶点的横坐标、左上角顶点的纵坐标、右下角顶点的横坐标、右下角顶点的纵坐标。需要说明的是，上述4个第二人脸局部特征图中的点也可以表征上述待检测图像中相对应的区域的其他位置，在此不再赘述。作为示例，上述人脸局部分别为眼睛、鼻子、嘴。上述至少一个第一人脸局部特征图分别为与眼睛、鼻子、嘴相对应的三个第一人脸局部特征图。分别与眼睛、鼻子、嘴相对应的第一人脸局部特征图分别对应4个第二人脸局部特征图。此时，共生成5个人脸整体特征图和15个人脸局部特征图。
在本实施例的一些可选的实现方式中，与上述至少一个第一人脸局部特征图中的每一个第一人脸局部特征图相对应的多个第二人脸局部特征图还可以是大于4个(例如6个、8个等)的第二人脸局部特征图。以8个第二人脸局部特征图为例，上述8个第二人脸整体特征图中的点可以分别用于表征上述待检测图像中相对应的区域的左上角顶点的横坐标、左上角顶点的纵坐标、左下角顶点的横坐标、左下角顶点的纵坐标、右上角顶点的横坐标、右上角顶点的纵坐标、右下角顶点的横坐标、右下角顶点的纵坐标。
步骤203，将人脸整体特征信息和人脸局部特征信息输入至预先训练的第二卷积神经网络，得到人脸检测结果。
在本实施例中，上述电子设备可以将上述人脸整体特征信息和上述人脸局部特征信息输入至预先训练的第二卷积神经网络，得到人脸检测结果，其中，上述第二卷积神经网络可以用于表征人脸整体特征信息、人脸局部特征信息与人脸检测结果的对应关系。需要说明的是，上述第二卷积神经网络可以包括多个卷积层(例如3个)，可以将人脸整体特征信息和人脸局部特征信息进行结合并解析，最终得到人脸检测结果。上述人脸检测结果可以指示上述待检测图像中的人脸区域的位置(例如可以以人脸区域左上角坐标、人脸区域右下角坐标等进行表示)，通常，人脸区域的位置可以是以框图形式在上述待检测图像中进行标记。需要说明的是，上述第二卷积神经网络可以是利用机器学习方法和训练样本对现有的卷积神经网络(例如densebox、vggnet、resnet、segnet等)进行有监督训练而得到的。其中，上述训练样本可以包括大量的图像的人脸整体特征、人脸局部特征和预设的、作为标注的人脸检测结果。
在本实施例的一些可选的实现方式中，上述第二卷积神经网络可以是全卷积网络(fullyconvolutionalnetworks，fcn)，上述全卷积网络的最后一层卷积层的卷积核的数量可以为5。
继续参见图3，图3是根据本实施例的人脸检测方法的应用场景的一个示意图。在图3的应用场景中，客户端首先上传了待检测图像301至图像处理服务器；之后，图像处理服务器将待检测图像301输入至预先训练的第一卷积神经网络，得到人脸整体特征信息和人脸局部特征信息，之后将人脸整体特征信息和人脸局部特征信息输入至预先训练的第二卷积神经网络，得到人脸检测结果，并以框图显示待检测图像301中的人脸整体区域(如标号302所示)。
本申请的上述实施例提供的方法，通过将所获取的待检测图像输入至预先训练的第一卷积神经网络，得到人脸整体特征信息和人脸局部特征信息，之后将人脸整体特征信息和人脸局部特征信息输入至预先训练的第二卷积神经网络，得到人脸检测结果，从而在人脸被部分遮挡、仅呈现人脸的局部的情况下(例如戴墨镜、戴口罩等情况)，也可以结合人脸局部特征信息进行人脸检测，提高了在人脸被部分遮挡的情况下的检测结果的准确性。
进一步参考图4，作为对上述各图所示方法的实现，本申请提供了一种人脸检测装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图4所示，本实施例所述的人脸检测装置400包括：获取单元401，配置用于获取待检测图像；第一输入单元402，配置用于将上述待检测图像输入至预先训练的第一卷积神经网络，得到人脸整体特征信息和人脸局部特征信息，其中，上述第一卷积神经网络用于提取人脸整体特征和人脸局部特征；第二输入单元403，配置用于将上述人脸整体特征信息和上述人脸局部特征信息输入至预先训练的第二卷积神经网络，得到人脸检测结果，其中，上述第二卷积神经网络用于表征人脸整体特征信息、人脸局部特征信息与人脸检测结果的对应关系。
在本实施例中，获取单元401可以获取待检测图像。
在本实施例中，第一输入单元402可以将上述待检测图像输入至预先训练的第一卷积神经网络，得到人脸整体特征信息和人脸局部特征信息，其中，上述第一卷积神经网络可以用于提取人脸整体特征和人脸局部特征。
在本实施例中，第二输入单元403可以将上述人脸整体特征信息和上述人脸局部特征信息输入至预先训练的第二卷积神经网络，得到人脸检测结果，其中，上述第二卷积神经网络可以用于表征人脸整体特征信息、人脸局部特征信息与人脸检测结果的对应关系。
在本实施例的一些可选的实现方式中，上述人脸整体特征信息可以为多个人脸整体特征图，上述多个人脸整体特征图可以包括第一人脸整体特征图和多个第二人脸整体特征图，其中，上述第一人脸整体特征图中的每一个点可以用于表征上述待检测图像中与该点相对应的区域存在人脸整体的置信度，各个第二人脸整体特征图中的每一个点可以用于表征上述待检测图像中与该点相对应的区域的位置信息。
在本实施例的一些可选的实现方式中，上述多个第二人脸整体特征图可以为4个第二人脸整体特征图，上述4个第二人脸整体特征图中的点可以分别用于表征上述待检测图像中相对应的区域的左上角顶点的横坐标、上述左上角顶点的纵坐标、右下角顶点的横坐标、上述右下角顶点的纵坐标。
在本实施例的一些可选的实现方式中，上述人脸局部特征信息可以为多个人脸局部特征图，上述多个人脸局部特征图可以包括至少一个第一人脸局部特征图和与上述至少一个第一人脸局部特征图中的每一个第一人脸局部特征图相对应的多个第二人脸局部特征图，其中，各个第一人脸局部特征图中的每一个点可以用于表征上述待检测图像中与该点相对应的区域存在人脸局部的置信度，各个第二人脸局部特征图中的每一个点可以用于表征上述待检测图像中与该点相对应的区域的位置信息。
在本实施例的一些可选的实现方式中，上述人脸局部可以包括以下至少一项：眼睛、鼻子、嘴。
在本实施例的一些可选的实现方式中，与上述至少一个第一人脸局部特征图中的每一个第一人脸局部特征图相对应的多个第二人脸局部特征图可以为4个第二人脸局部特征图，上述4个第二人脸局部特征图中的点可以分别用于表征上述待检测图像中相对应的区域的左上角顶点的横坐标、上述左上角顶点的纵坐标、右下角顶点的横坐标、上述右下角顶点的纵坐标。
在一些实施例中，上述第二卷积神经网络可以为全卷积网络，上述全卷积网络的最后一层卷积层的卷积核的数量为5。
本申请的上述实施例提供的装置，通过第一输入单元402将获取单元401所获取的待检测图像输入至预先训练的第一卷积神经网络，得到人脸整体特征信息和人脸局部特征信息，之后第二输入单元403将人脸整体特征信息和人脸局部特征信息输入至预先训练的第二卷积神经网络，得到人脸检测结果，从而在人脸被部分遮挡、仅呈现人脸的局部的情况下(例如戴墨镜、戴口罩等情况)，也可以结合人脸局部特征信息进行人脸检测，提高了在人脸被部分遮挡的情况下的检测结果的准确性。
下面参考图5，其示出了适于用来实现本申请实施例的服务器的计算机系统500的结构示意图。图5示出的服务器仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图5所示，计算机系统500包括中央处理单元(cpu)501，其可以根据存储在只读存储器(rom)502中的程序或者从存储部分508加载到随机访问存储器(ram)503中的程序而执行各种适当的动作和处理。在ram503中，还存储有系统500操作所需的各种程序和数据。cpu501、rom502以及ram503通过总线504彼此相连。输入/输出(i/o)接口505也连接至总线504。
以下部件连接至i/o接口505：包括键盘、鼠标等的输入部分506；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至i/o接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入存储部分508。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(cpu)501执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、rf等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、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，该模块、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，两个接连地表示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操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。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、第一输入单元和第二输入单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取待检测图像的单元”。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该装置：获取待检测图像；将该待检测图像输入至预先训练的第一卷积神经网络，得到人脸整体特征信息和人脸局部特征信息，其中，该第一卷积神经网络用于提取人脸整体特征和人脸局部特征；将该人脸整体特征信息和该人脸局部特征信息输入至预先训练的第二卷积神经网络，得到人脸检测结果，其中，该第二卷积神经网络用于表征人脸整体特征信息、人脸局部特征信息与人脸检测结果的对应关系。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。