人脸检测方法、系统及人脸检测模型训练方法、系统、存储介质及计算机设备与流程

1.本发明涉及检测识别技术领域，尤其涉及一种人脸检测方法、系统及人脸检测模型训练方法、系统、存储介质及计算机设备。


背景技术：

2.随着深度学习的发展，目前有许多基于深度学习的人脸检测算法，比如mtcnn(multi-task convolutional neural network，多任务卷积神经网络)，retinaface(一种人脸识别算法)、ssd(一种基于深度学习的目标检测算)等，都取得不错的效果；但是，这些人脸检测方法在实际应用中极容易出现人脸误检。
3.综上可知，现有的方法在实际使用上，存在着较多的问题，所以有必要加以改进。


技术实现要素：

4.针对上述的缺陷，本发明的目的在于提供一种人脸检测方法、系统及人脸检测模型训练方法、系统、存储介质及计算机设备，能够有效解决实际场景中的人脸误检问题，大大提高人脸检测在实际应用的可靠性和鲁棒性。
5.为了实现上述目的，本发明提供一种人脸检测方法，其特征在于，包括步骤：
6.获取待检测图片；
7.将所述待检测图片输入预先训练的人脸检测模型，以获得所述人脸检测模型输出的检测结果；
8.其中，通过获取原始训练数据集；检测所述原始训练数据集中人脸图片对应的人脸检测框和人脸关键点；筛除所述原始训练数据集中所述人脸检测框和所述人脸关键点不符合预设条件的所述人脸图片，以获得目标训练数据集；根据所述目标训练数据集的所述人脸检测框的检测信息，生成对应所述人脸图片的标签信息；将所述目标训练数据集的所述人脸图片以及对应的所述标签信息，输入至改进的yolov5网络，以训练获得所述人脸检测模型。
9.可选的，所述筛除所述原始训练数据集中所述人脸检测框和所述人脸关键点不符合预设条件的所述人脸图片，以获得目标训练数据集的步骤包括：
10.判断所述原始训练数据集中所述人脸检测框的人脸置信度是否小于第一预设阈值；
11.若所述人脸置信度小于所述第一预设阈值，则筛除所述原始训练数据集中对应的所述人脸图片。
12.可选的，所述筛除所述原始训练数据集中所述人脸检测框和所述人脸关键点不符合预设条件的所述人脸图片，以获得目标训练数据集的步骤包括：
13.判断对应的所述人脸关键点是否均在所述人脸检测框内；
14.若任一所述人脸关键点不在所述人脸检测框内，则筛除所述原始训练数据集中对
应的所述人脸图片。
15.可选的，所述筛除所述原始训练数据集中所述人脸检测框和所述人脸关键点不符合预设条件的所述人脸图片，以获得目标训练数据集的步骤包括：
16.判断所述人脸关键点中的人脸瞳距是否小于第二预设阈值；
17.若所述人脸瞳距小于所述第二预设阈值，则筛除所述原始训练数据集中对应的所述人脸图片。
18.可选的，所述筛除所述原始训练数据集中所述人脸检测框和所述人脸关键点不符合预设条件的所述人脸图片，以获得目标训练数据集的步骤包括：
19.判断所述人脸图片的像素尺寸是否小于第三预设阈值；
20.若所述像素尺寸小于所述第三预设阈值，则筛除所述原始训练数据集中对应的所述人脸图片。
21.还提供了一种人脸检测模型训练方法，包括步骤：
22.获取原始训练数据集；
23.检测所述原始训练数据集中人脸图片对应的人脸检测框和人脸关键点；
24.筛除所述原始训练数据集中所述人脸检测框和所述人脸关键点不符合预设条件的所述人脸图片，以获得目标训练数据集；
25.根据所述目标训练数据集的所述人脸检测框的检测信息，生成对应所述人脸图片的标签信息；
26.将所述目标训练数据集的所述人脸图片以及对应的所述标签信息，输入至改进的yolov5网络，以训练获得所述人脸检测模型。
27.还提供了一种人脸检测系统，包括有：
28.获取单元，用于获取待检测图片；
29.检测单元，用于将所述待检测图片输入预先训练的人脸检测模型，以获得所述人脸检测模型输出的检测结果；
30.训练单元，用于获取原始训练数据集；检测所述原始训练数据集中人脸图片对应的人脸检测框和人脸关键点；筛除所述原始训练数据集中所述人脸检测框和所述人脸关键点不符合预设条件的所述人脸图片，以获得目标训练数据集；根据所述目标训练数据集的所述人脸检测框的检测信息，生成对应所述人脸图片的标签信息；将所述目标训练数据集的所述人脸图片以及对应的所述标签信息，输入至改进的yolov5网络，以训练获得所述人脸检测模型。
31.还提供了一种人脸检测模型训练系统，包括有：
32.数据获取单元，用于获取原始训练数据集；
33.检测识别单元，用于检测所述原始训练数据集中人脸图片对应的人脸检测框和人脸关键点；
34.数据筛除单元，用于筛除所述原始训练数据集中所述人脸检测框和所述人脸关键点不符合预设条件的所述人脸图片，以获得目标训练数据集；
35.标签生成单元，用于根据所述目标训练数据集的所述人脸检测框的检测信息，生成对应所述人脸图片的标签信息；
36.模型训练单元，用于将所述目标训练数据集的所述人脸图片以及对应的所述标签
信息，输入至改进的yolov5网络，以训练获得所述人脸检测模型。
37.另外，还提供了一种存储介质和计算机设备，所述存储介质用于存储一种用于执行上述人脸检测方法或人脸检测模型训练方法的计算机程序。
38.所述计算机设备包括存储介质、处理器以及存储在所述存储介质上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的人脸检测方法或人脸检测模型训练方法。
39.本发明所述的人脸检测方法通过获取待检测图片输入至预先训练的人脸检测模型，获得对应的检测结果；所述人脸检测模型训练方法通过获取原始训练数据集；检测原始训练数据集中人脸图片对应的人脸检测框和人脸关键点；筛除原始训练数据集中所述人脸检测框和人脸关键点不符合预设条件的人脸图片，以获得目标训练数据集；根据所述目标训练数据集的人脸检测框的检测信息，生成对应人脸图片的标签信息；将目标训练数据集的人脸图片以及对应的标签信息，输入至改进的yolov5网络，以训练获得所述人脸检测模型。借此，本发明能够有效解决实际场景中的人脸误检问题，大大提高人脸检测在实际应用的可靠性和鲁棒性。
附图说明
40.图1为本发明一实施例提供的所述人脸检测方法的步骤流程图；
41.图2为本发明一实施例提供的所述人脸检测模型训练方法的步骤流程图；
42.图3为本发明一实施例提供的所述人脸检测模型训练方法用于筛除人脸图片可选的步骤流程图；
43.图4为本发明一实施例提供的所述人脸检测系统的结构示意框图；
44.图5为本发明一实施例提供的所述人脸检测模型训练系统的结构示意框图。
具体实施方式
45.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
46.需要说明的，本说明书中针对“一个实施例”、“实施例”、“示例实施例”等的引用，指的是描述的该实施例可包括特定的特征、结构或特性，但是不是每个实施例必须包含这些特定特征、结构或特性。此外，这样的表述并非指的是同一个实施例。进一步，在结合实施例描述特定的特征、结构或特性时，不管有没有明确的描述，已经表明将这样的特征、结构或特性结合到其它实施例中是在本领域技术人员的知识范围内的。
47.此外，在说明书及后续的权利要求当中使用了某些词汇来指称特定组件或部件，所属领域中具有通常知识者应可理解，制造商可以用不同的名词或术语来称呼同一个组件或部件。本说明书及后续的权利要求并不以名称的差异来作为区分组件或部件的方式，而是以组件或部件在功能上的差异来作为区分的准则。在通篇说明书及后续的权利要求书中所提及的“包括”和“包含”为一开放式的用语，故应解释成“包含但不限定于”。以外，“连接”一词在此系包含任何直接及间接的电性连接手段。间接的电性连接手段包括通过其它装置进行连接。
48.图1示出本发明一实施例提供的人脸检测方法，包括步骤如下：
49.s101：获取待检测图片。
50.s102：将所述待检测图片输入预先训练的人脸检测模型，以获得所述人脸检测模型输出的检测结果；其中，通过获取原始训练数据集；检测所述原始训练数据集中人脸图片对应的人脸检测框和人脸关键点；筛除所述原始训练数据集中所述人脸检测框和所述人脸关键点不符合预设条件的所述人脸图片，以获得目标训练数据集；根据所述目标训练数据集的所述人脸检测框的检测信息，生成对应所述人脸图片的标签信息；将所述目标训练数据集的所述人脸图片以及对应的所述标签信息，输入至改进的yolov5(一种对象检测算法)网络，以训练获得所述人脸检测模型。
51.从现有的可视化开源数据标签框信息中可以观测到开源数据集出现较多的后脸被前人头发大部分遮挡情况，从而导致人脸检测标签框中呈现大部分头发；此外，标注中太小的人脸也不利于模型效果，因此采用现有可视化开源数据集训练而成的人脸检测模型容易导致误检问题。本实施例针对现有技术问题，针对原始训练数据集配置预设条件用以筛除人脸检测框和人脸关键点不达标的训练数据，进而采用筛除后的目标训练数据集输入改进的yolov5网络进行训练，最终获得优化后的人脸检测模型；借由最后训练出来的人脸检测模型对于实际场景人脸检测误检大大减少，更能适用于各种复杂应用场景的人脸检测；能够有效解决现有技术中容易出现的误检问题。
52.图2示出本发明一实施例提供的人脸检测模型训练方法，所述人脸检测模型训练方法具体应用于训练上述的人脸检测方法的人脸检测模型，包括步骤如下：
53.s111：获取原始训练数据集。该原始训练数据集中包含有若干用于训练的人脸图片。可选的，步骤s111具体包括：从openimagesv2(一种开源图片数据库)开源数据集中提取出标签类为人脸的所述人脸图片和对应的标签，以制成所述原始训练数据集。当然，在其他实施例中，还可以采用其他开源图片数据库作为所述原始训练数据集。
54.s112：检测所述原始训练数据集中人脸图片对应的人脸检测框和人脸关键点。其中，人脸检测框是指以矩形框框选出图片中的人脸所在区域，所述人脸关键点是指特定的人脸特征识别点，如：双目、眉毛、鼻子、嘴部等特征点；本实施例具体针对每一张被检测的人脸输出5个人脸关键点(如双目、鼻子以及嘴角)；即每一张人脸图片上每检测出一张人脸，则输出对应的一个人脸检测框以及对应的5个人脸关键点。
55.一种实施方式中，步骤s112具体包括：将所述原始训练数据集的人脸图片输入至开源大参数模型，获得所述开源大参数模型对应输出的所述人脸检测框和人脸关键点。
56.s113：筛除所述原始训练数据集中所述人脸检测框和所述人脸关键点不符合预设条件的所述人脸图片，以获得目标训练数据集。通过预先配置所述预设条件，进而判断对应人脸的人脸检测框以及人脸关键点的相关信息是否符合预设条件，若不符合则将对应的人脸图片从所述原始训练数据集中筛除掉，并将过滤后的原始训练数据集作为目标训练数据集。当然，若原始训练数据集中的人脸图片上未能检测识别出人脸检测框，则将对应的人脸图片从原始训练数据集中过滤掉。
57.s114：根据所述目标训练数据集的人脸检测框的检测信息，生成对应所述人脸图片的标签信息。其中，人脸检测框的检测信息包括该人脸检测框在人脸图片上的定位位置，本实施例基于人脸图片上对应的人脸检测框相关的检测信息，自动生成对应的标签信息；
若所述人脸图片上存在多个人脸，则该人脸图片上对应着多个人脸检测框，以此可自动生成多个对应的标签信息。
58.s115：将所述目标训练数据集的所述人脸图片以及对应的所述标签信息，输入至改进的yolov5网络，以训练获得所述人脸检测模型。本实施例通过去除会造成模型误检的样本，从而让训练出来的模型误检大大减小，提高在实际场景的实用性。
59.参见图3，一种可选的实施方式中，步骤s113包括：
60.s1011：判断所述原始训练数据集中所述人脸检测框的人脸置信度是否小于第一预设阈值。其中，所述人脸置信度能够用于评判所述人脸检测框标识位置的正确性；可选的，所述第一预设阈值为0.8，即本实施例将原始训练数据集中识别出的每一人脸检测框用于判断其人脸置信度是否达到0.8，若能够达到0.8则可确定该人脸检测框所标识位置符合要求。
61.若所述人脸置信度小于所述第一预设阈值，则进入步骤s1016：筛除所述原始训练数据集中对应的所述人脸图片。结合上述，若人脸检测框的人脸置信度未能够达到0.8，则将对应该人脸检测框的人脸目标筛除，若一张人脸图片上的人脸检测框对应的人脸置信度均未能达到0.8，则将该人脸图片从原始训练数据集中过滤掉。
62.可选的，步骤s113还包括：
63.s1012：判断对应的所述人脸关键点是否均在所述人脸检测框内。具体的，本实施例基于同一人脸目标定位出人脸检测框以及5个人脸关键点，进而判断所述人脸关键点是否均在所述人脸检测框内，若任一人脸关键点越过检测框范围，则表示该人脸目标的脸部特征为侧脸，而采用较为侧面的人脸目标进行训练容易导致最终的检测模型出现误检问题；因此，本实施例具体判断对应的5个人脸关键点是否均在人脸检测框内。
64.若任一所述人脸关键点不在所述人脸检测框内，则进入步骤s1016：筛除所述原始训练数据集中对应的所述人脸图片。结合上述，若人脸目标的5个人脸关键点任意一个越过人脸检测框，则将对应的人脸目标去除。当一张人脸图片上的所有人脸目标对应的人脸关键点均不满足上述条件，则将该人脸图片从原始训练数据集中过滤掉。
65.可选的，步骤s113还包括：
66.s1013：判断所述人脸关键点中的人脸瞳距是否小于第二预设阈值。在具体实施中，所述人脸关键点中包括有双目瞳孔的特征点，本实施例根据双目瞳孔的特征点定位位置计算所述人脸瞳距之间的距离，进而判断该距离是否达到第二预设阈值。具体的，第二预设阈值设为5个像素距离，即本实施例判断所述人脸瞳距是否达到5个像素距离，若能够达到5个像素距离，则保留所述人脸关键点对应的人脸目标。
67.若所述人脸瞳距小于所述第二预设阈值，则进入步骤s1016：筛除所述原始训练数据集中对应的所述人脸图片。若所述人脸关键点中的人脸瞳距不满足上述条件，则表示该人脸关键点对应的人脸的偏角度较大，不适合作为训练样本，因而将其人脸目标筛除掉；若一张人脸图片上的各个人脸目标均不满足上述条件，则将该人脸图片从原始训练数据集中过滤掉。
68.可选的，步骤s113还包括：
69.s1014：判断所述人脸图片的像素尺寸是否小于第三预设阈值。由于太小的人脸基本没什么纹理信息，因此网络能够提取到的大多是颜色信息，这样的人脸图片参与到训练
中会导致人体后脑勺或者手等皮肤颜色相似的误检问题，因此本实施例通过判断所述人脸图片的像素尺寸是否达到第三预设阈值，以筛除掉不符合训练要求的人脸图像；具体实施时，第三预设阈值设为10*10尺寸大小。
70.若所述像素尺寸小于所述第三预设阈值，则进入步骤s1015：留存至目标训练数据集。即将符合上述条件的所有人脸图片留存至目标训练数据集。若未达到第三预设阈值，则进入步骤s1016：筛除所述原始训练数据集中对应的所述人脸图片。结合上述，若人脸图片的像素尺寸不能达到10*10尺寸大小，则将对应的人脸图片从原始训练数据集中过滤掉。
71.可选的，步骤s113包括：通过像素填充以去除所述人脸检测框和所述人脸关键点不符合所述预设条件的所述人脸图片。具体的，采用128像素值填充对应的区域，若所述人脸检测框不符合预设条件，则仅针对对应的人脸检测框进行128像素填充；若对应的人脸关键点不符合预设条件，则将该人脸关键点对应的人脸目标用128像素值进行填充。
72.一种实施方式中，所述改进的yolov5网络的网络通道数缩减至原始网络通道数的三分之一；所述改进的yolov5网络的网络层数缩减至原始网络层数的二分之一，且所述改进的yolov5网络的普通卷积层替换为通道分离卷积层。即本实施例改进的yolov5网络的网络通道数减少到原来的1/3，其网络层数减少到原来的1/2，并将原来的普通卷积层改成通道分离卷积层；从而利用改进后的yolov5网络能够大大提升训练的效率，同时提升检测模型的准确率。
73.图4示出本发明一实施例提供的人脸检测系统100，该人脸检测系统100应用于检测人脸图片上的人脸目标，其包括有获取单元10、检测单元20以及训练单元30，其中：
74.获取单元10用于获取待检测图片；检测单元20用于将所述待检测图片输入预先训练的人脸检测模型，以获得所述人脸检测模型输出的检测结果；训练单元30用于获取原始训练数据集；检测所述原始训练数据集中人脸图片对应的人脸检测框和人脸关键点；筛除所述原始训练数据集中所述人脸检测框和所述人脸关键点不符合预设条件的所述人脸图片，以获得目标训练数据集；根据所述目标训练数据集的所述人脸检测框的检测信息，生成对应所述人脸图片的标签信息；将所述目标训练数据集的所述人脸图片以及对应的所述标签信息，输入至改进的yolov5网络，以训练获得所述人脸检测模型。
75.可选的，训练单元30包括有第一判断子单元和第一筛除子单元，其中：第一判断子单元用于判断所述原始训练数据集中所述人脸检测框的人脸置信度是否小于第一预设阈值；第一筛除子单元用于若所述人脸置信度小于所述第一预设阈值，则筛除所述原始训练数据集中对应的所述人脸图片。
76.可选的，训练单元30包括有第二判断子单元和第二筛除子单元，其中：第二判断子单元用于判断对应的所述人脸关键点是否均在所述人脸检测框内；第二筛除子单元用于若任一所述人脸关键点不在所述人脸检测框内，则筛除所述原始训练数据集中对应的所述人脸图片。
77.可选的，训练单元30包括有第三判断子单元和第三筛除子单元，其中：第三判断子单元用于判断所述人脸关键点中的人脸瞳距是否小于第二预设阈值；第三筛除子单元用于若所述人脸瞳距小于第二预设阈值，则筛除所述原始训练数据集中对应的所述人脸图片。
78.可选的，训练单元30包括有第四判断子单元和第四筛除子单元，其中：第四判断子单元用于判断所述人脸图片的像素尺寸是否小于第三预设阈值；第四筛除子单元用于若所
述像素尺寸小于第三预设阈值，则筛除所述原始训练数据集中对应的所述人脸图片。
79.一实施例中，所述训练单元30还用于：通过像素填充以去除所述人脸检测框和所述人脸关键点不符合所述预设条件的所述人脸图片。
80.一实施例中，所述训练单元30还用于：将所述原始训练数据集的所述人脸图片输入至开源大参数模型，获得所述开源大参数模型对应输出的所述人脸检测框和所述人脸关键点。
81.一实施例中，所述训练单元30还用于：从openimagesv2开源数据集中提取出标签类为人脸的所述人脸图片和对应的标签，以制成所述原始训练数据集。
82.一实施例中，所述改进的yolov5网络的网络通道数缩减至原始网络通道数的三分之一；所述改进的yolov5网络的网络层数缩减至原始网络层数的二分之一，且所述改进的yolov5网络的普通卷积层替换为通道分离卷积层。
83.图5示出本发明一实施例提供的人脸检测模型训练系统200，其包括有数据获取单元101、数据识别单元102、数据筛除单元10/3、标签生成单元104以及模型训练单元105，其中：
84.数据获取单元101用于获取原始训练数据集；检测识别单元102用于检测所述原始训练数据集中人脸图片对应的人脸检测框和人脸关键点；数据筛除单元103用于筛除所述原始训练数据集中所述人脸检测框和所述人脸关键点不符合预设条件的所述人脸图片，以获得目标训练数据集；标签生成单元104用于根据所述目标训练数据集的所述人脸检测框的检测信息，生成对应所述人脸图片的标签信息；模型训练单元105用于将所述目标训练数据集的所述人脸图片以及对应的所述标签信息，输入至改进的yolov5网络，以训练获得所述人脸检测模型。
85.本发明还提供一种存储介质，用于存储如图1所述人脸检测方法或如图2所述人脸检测模型训练方法的计算机程序。例如计算机程序指令，当其被计算机执行时，通过该计算机的操作，可以调用或提供根据本技术的方法和/或技术方案。而调用本技术的方法的程序指令，可能被存储在固定的或可移动的存储介质中，和/或通过广播或其他信号承载媒体中的数据流而被传输和/或被存储在根据程序指令运行的计算机设备的存储介质中。在此，根据本技术的一个实施例包括如图4所示人脸检测系统的计算机设备和一个实施例包括如图5所示人脸检测模型训练系统的计算机设备，所述计算机设备优选包括用于存储计算机程序的存储介质和用于执行计算机程序的处理器，其中，当该计算机程序被该处理器执行时，触发该计算机设备执行基于前述多个实施例中的方法和/或技术方案。
86.需要注意的是，本技术可在软件和/或软件与硬件的组合体中被实施，例如，可采用专用集成电路(asic)、通用目的计算机或任何其他类似硬件设备来实现。在一个实施例中，本技术的软件程序可以通过处理器执行以实现上文步骤或功能。同样地，本技术的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中，例如，ram存储器，磁或光驱动器或软磁盘及类似设备。另外，本技术的一些步骤或功能可采用硬件来实现，例如，作为与处理器配合从而执行各个步骤或功能的电路。
87.根据本发明的方法可以作为计算机实现方法在计算机上实现、或者在专用硬件中实现、或以两者的组合的方式实现。用于根据本发明的方法的可执行代码或其部分可以存储在计算机程序产品上。计算机程序产品的示例包括存储器设备、光学存储设备、集成电
路、服务器、在线软件等。优选地，计算机程序产品包括存储在计算机可读介质上以便当所述程序产品在计算机上执行时执行根据本发明的方法的非临时程序代码部件。
88.在优选实施例中，计算机程序包括适合于当计算机程序在计算机上运行时执行根据本发明的方法的所有步骤的计算机程序代码部件。优选地，在计算机可读介质上体现计算机程序。
89.综上所述，本发明所述的人脸检测方法通过获取待检测图片输入至预先训练的人脸检测模型，获得对应的检测结果；所述人脸检测模型训练方法通过获取原始训练数据集；检测识别原始训练数据集中人脸图片对应的人脸检测框和人脸关键点；筛除原始训练数据集中所述人脸检测框和人脸关键点不符合预设条件的人脸图片，以获得目标训练数据集；根据所述目标训练数据集的人脸检测框的检测信息，生成对应人脸图片的标签信息；将目标训练数据集的人脸图片以及对应的标签信息，输入至改进的yolov5网络，以训练获得所述人脸检测模型。借此，本发明能够有效解决实际场景中的人脸误检问题，大大提高人脸检测在实际应用的可靠性和鲁棒性。
90.当然，本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
91.还提供了a1、一种人脸检测方法，包括步骤：
92.获取待检测图片；
93.将所述待检测图片输入预先训练的人脸检测模型，以获得所述人脸检测模型输出的检测结果；
94.其中，通过获取原始训练数据集；检测所述原始训练数据集中人脸图片对应的人脸检测框和人脸关键点；筛除所述原始训练数据集中所述人脸检测框和所述人脸关键点不符合预设条件的所述人脸图片，以获得目标训练数据集；根据所述目标训练数据集的所述人脸检测框的检测信息，生成对应所述人脸图片的标签信息；将所述目标训练数据集的所述人脸图片以及对应的所述标签信息，输入至改进的yolov5网络，以训练获得所述人脸检测模型。
95.a2、根据a1所述的人脸检测方法，所述筛除所述原始训练数据集中所述人脸检测框和所述人脸关键点不符合预设条件的所述人脸图片，以获得目标训练数据集的步骤包括：
96.判断所述原始训练数据集中所述人脸检测框的人脸置信度是否小于第一预设阈值；
97.若所述人脸置信度小于所述第一预设阈值，则筛除所述原始训练数据集中对应的所述人脸图片。
98.a3、根据a2所述的人脸检测方法，所述筛除所述原始训练数据集中所述人脸检测框和所述人脸关键点不符合预设条件的所述人脸图片，以获得目标训练数据集的步骤包括：
99.判断所述人脸图片对应的所述人脸关键点是否均在所述人脸检测框内；
100.若任一所述人脸关键点不在所述人脸检测框内，则筛除所述原始训练数据集中所述人脸关键点对应的所述人脸图片。
101.a4、根据a1所述的人脸检测方法，所述筛除所述原始训练数据集中所述人脸检测框和所述人脸关键点不符合预设条件的所述人脸图片，以获得目标训练数据集的步骤包括：
102.判断所述人脸关键点中的人脸瞳距是否小于第二预设阈值；
103.若所述人脸瞳距小于所述第二预设阈值，则筛除所述原始训练数据集中对应的所述人脸图片。
104.a5、根据a2～a4任一项所述的人脸检测方法，所述筛除所述原始训练数据集中所述人脸检测框和所述人脸关键点不符合预设条件的所述人脸图片，以获得目标训练数据集的步骤包括：
105.判断所述人脸图片的像素尺寸是否小于第三预设阈值；
106.若所述像素尺寸小于所述第三预设阈值，则筛除所述原始训练数据集中对应的所述人脸图片。
107.a6、根据a1所述的人脸检测方法，所述筛除所述原始训练数据集中所述人脸检测框和所述人脸关键点不符合预设条件的所述人脸图片，以获得目标训练数据集的步骤包括：
108.通过像素填充以去除所述人脸检测框和所述人脸关键点不符合所述预设条件的所述人脸图片。
109.a7、根据a1所述的人脸检测方法，所述检测所述原始训练数据集中人脸图片对应的人脸检测框和人脸关键点的步骤具体包括：
110.将所述原始训练数据集的所述人脸图片输入至开源大参数模型，获得所述开源大参数模型对应输出的所述人脸检测框和所述人脸关键点。
111.a8、根据a1所述的人脸检测方法，所述获取原始训练数据集的步骤具体包括：
112.从openimagesv2开源数据集中提取出标签类为人脸的所述人脸图片和对应的标签，以制成所述原始训练数据集。
113.a9、根据a1所述的人脸检测方法，其特征在于，所述改进的yolov5网络的网络通道数缩减至原始网络通道数的三分之一；所述改进的yolov5网络的网络层数缩减至原始网络层数的二分之一，且所述改进的yolov5网络的普通卷积层替换为通道分离卷积层。
114.还提供了b10、一种人脸检测模型训练方法，包括步骤：
115.获取原始训练数据集；
116.检测所述原始训练数据集中人脸图片对应的人脸检测框和人脸关键点；
117.筛除所述原始训练数据集中所述人脸检测框和所述人脸关键点不符合预设条件的所述人脸图片，以获得目标训练数据集；
118.根据所述目标训练数据集的所述人脸检测框的检测信息，生成对应所述人脸图片的标签信息；
119.将所述目标训练数据集的所述人脸图片以及对应的所述标签信息，输入至改进的yolov5网络，以训练获得所述人脸检测模型。
120.还提供了c11、一种人脸检测系统，包括有：
121.获取单元，用于获取待检测图片；
122.检测单元，用于将所述待检测图片输入预先训练的人脸检测模型，以获得所述人
脸检测模型输出的检测结果；
123.训练单元，用于获取原始训练数据集；检测所述原始训练数据集中人脸图片对应的人脸检测框和人脸关键点；筛除所述原始训练数据集中所述人脸检测框和所述人脸关键点不符合预设条件的所述人脸图片，以获得目标训练数据集；根据所述目标训练数据集的所述人脸检测框的检测信息，生成对应所述人脸图片的标签信息；将所述目标训练数据集的所述人脸图片以及对应的所述标签信息，输入至改进的yolov5网络，以训练获得所述人脸检测模型。
124.c12、根据c11所述的人脸检测系统，所述训练单元包括：
125.第一判断子单元，用于判断所述原始训练数据集中所述人脸检测框的人脸置信度是否小于第一预设阈值；
126.第一筛除子单元，用于若所述人脸置信度小于所述第一预设阈值，则筛除所述原始训练数据集中对应的所述人脸图片。
127.c13、根据c12所述的人脸检测系统，所述训练单元包括：
128.第二判断子单元，用于判断对应的所述人脸关键点是否均在所述人脸检测框内；
129.第二筛除子单元，用于若任一所述人脸关键点不在所述人脸检测框内，则筛除所述原始训练数据集中对应的所述人脸图片。
130.c14、根据c11所述的人脸检测系统，所述训练单元包括：
131.第三判断子单元，用于判断所述人脸关键点中的人脸瞳距是否小于第二预设阈值；
132.第三筛除子单元，用于若所述人脸瞳距小于所述第二预设阈值，则筛除所述原始训练数据集中对应的所述人脸图片。
133.c15、根据c12～c14任一项所述的人脸检测系统，所述训练单元包括：
134.第四判断子单元，用于判断所述人脸图片的像素尺寸是否小于第三预设阈值；
135.第四筛除子单元，用于若所述像素尺寸小于所述第三预设阈值，则筛除所述原始训练数据集中对应的所述人脸图片。
136.c16、根据c11所述的人脸检测系统，所述训练单元用于：
137.通过像素填充以去除所述人脸检测框和所述人脸关键点不符合所述预设条件的所述人脸图片。
138.c17、根据c11所述的人脸检测系统，所述训练单元用于：
139.将所述原始训练数据集的所述人脸图片输入至开源大参数模型，获得所述开源大参数模型对应输出的所述人脸检测框和所述人脸关键点。
140.c18、根据c11所述的人脸检测系统，所述训练单元用于：
141.从openimagesv2开源数据集中提取出标签类为人脸的所述人脸图片和对应的标签，以制成所述原始训练数据集。
142.c19、根据c11所述的人脸检测系统，所述改进的yolov5网络的网络通道数缩减至原始网络通道数的三分之一；所述改进的yolov5网络的网络层数缩减至原始网络层数的二分之一，且所述改进的yolov5网络的普通卷积层替换为通道分离卷积层。
143.还提供了d20、一种人脸检测模型训练系统，包括有：
144.数据获取单元，用于获取原始训练数据集；
145.检测识别单元，用于检测所述原始训练数据集中人脸图片对应的人脸检测框和人脸关键点；
146.数据筛除单元，用于筛除所述原始训练数据集中所述人脸检测框和所述人脸关键点不符合预设条件的所述人脸图片，以获得目标训练数据集；
147.标签生成单元，用于根据所述目标训练数据集的所述人脸检测框的检测信息，生成对应所述人脸图片的标签信息；
148.模型训练单元，用于将所述目标训练数据集的所述人脸图片以及对应的所述标签信息，输入至改进的yolov5网络，以训练获得所述人脸检测模型。
149.还提供了e21、一种存储介质，用于存储一种用于执行a1～b10中任意一种所述方法的计算机程序。
150.还提供了f22、一种计算机设备，包括存储介质、处理器以及存储在所述存储介质上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现a1～b10任一项所述方法。