一种人脸检测方法、装置及终端与流程

1.本技术实施例涉及图像处理领域，尤其涉及一种人脸检测方法、装置及终端。


背景技术：

2.人脸检测(face recognition)是指对于任意一幅给定的图像，采用一定的策略对其进行搜索以确定其中是否含有人脸，如果含有人脸则输出人脸在图像中的位置、大小以及该人脸信息。人脸检测是自动人脸识别系统中的一个关键环节。
3.早期的人脸识别研究主要针对具有较强约束条件的人脸图像(如无背景的图像)，往往假设人脸位置一直或者容易获得，因此人脸检测问题并未受到重视。随着电子商务等应用的发展，人脸识别成为最有潜力的生物身份验证手段，这种应用背景要求自动人脸识别系统能够对一般图像具有一定的识别能力，由此所面临的一系列问题使得人脸检测开始作为一个独立的课题受到研究者的重视。目前，人脸检测的应用背景已经远远超出了人脸识别系统的范畴，在基于内容的检索、数字视频处理、视频检测等方面有着重要的应用价值。
4.但由于人脸尺寸所占图像的比例一般比较小，现有的人脸检测技术一般在实时性上有所欠缺，尤其是在低算力的设备上，难以同时保证速度和精度。


技术实现要素：

5.本技术实施例提供了一种人脸检测方法、装置及终端，先利用待识别图像中的头肩特征来确定包含有人脸图像的区域框，然后根据区域框的位置对待识别图像进行剪裁处理，得到区域框对应的图像，然后再对区域框对应的图像进行人脸检测，进而降低人脸检测模型的输入数据，提高人脸检测模型的处理速度和检测精度以后续提高人脸识别速度和精度。
6.本技术实施例第一方面提供了一种人脸检测方法，包括：
7.获取待识别图像，将待识别图像输入头肩检测模型以获取头肩特征，并基于头肩特征确定头肩检测框的位置；
8.根据头肩检测框的位置确定待识别图像对应的检测框图像；
9.将检测框图像输入预设人脸检测模型，通过人脸检测模型对检测框图像进行人脸检测。
10.在一个可选的实施方式中，在将待识别图像输入头肩检测模型之前，该方法还包括：
11.缩放待识别图像至第一预设尺寸；
12.将待识别图像输入头肩检测模型，包括：
13.将缩放后的待识别图像输入头肩检测模型。
14.在一个可选的实施方式中，在将检测框图像输入人脸检测模型之前，该方法还包括：
15.根据第二预设尺寸对检测框图像进行处理；
16.将检测框图像输入人脸检测模型，包括：
17.将处理后的检测框图像输入人脸检测模型。
18.在一种可选的实施方式中，通过人脸检测模型对检测框图像进行人脸检测，包括：
19.通过人脸检测模型确定检测框图像包括的至少一个人脸图像。
20.确定至少一个人脸图像中与检测框图像匹配成功的目标人脸图像。
21.根据目标人脸图像确定人脸检测结果，并输出人脸检测结果。
22.在一种可选的实施方式中，将人脸图像中与检测框图像匹配成功的目标人脸图像确定为人脸检测结果，包括：
23.分别确定人脸图像与检测框图像的交并比。
24.根据人脸图像与检测框图像的交并比，确定人脸图像中的目标人脸图像。
25.在一种可选的实施方式中，根据人脸图像与检测框图像的交并比，确定人脸图像中的目标人脸图像，包括：
26.将人脸图像中与检测框图像的交并比最大的目标人脸图像确定为人脸检测结果；或，
27.根据人脸图像与检测框图像的交并比，确定人脸图像中高优先级的预设个数的目标人脸图像。
28.在一种可选的实施方式中，根据目标人脸图像确定为人脸检测结果，包括：
29.根据非极大值抑制算法对预设个数的目标人脸图像进行筛选。
30.根据筛选结果确定人脸检测结果。
31.本技术实施例第二方面提供了一种人脸检测装置，包括：
32.头肩检测模块，用于获取待识别图像的头肩特征，并基于头肩特征确定头肩检测框以获取待识别图像对应的检测框图像；
33.人脸检测模块，用于接收检测框图像进行人脸检测；
34.其中，头肩检测模块包括第一输入单元、获取单元及确定单元：
35.第一输入单元，用于获取待识别图像并传输至获取单元；
36.获取单元，用于获取待识别图像的头肩检测框；
37.确定单元，用于根据头肩检测框的位置确定待识别图像对应的检测框图像；
38.人脸检测模块包括第二输入单元及处理单元：
39.第二输入单元，用于输入检测框图像至处理单元；
40.处理单元，用于通过预设人脸检测模型对检测框图像进行人脸检测。
41.在一个可选的实施方式中，处理单元，还用于缩放待识别图像至第一预设尺寸；
42.第一输入单元，具体用于将缩放后的待识别图像输入获取单元。
43.在一个可选的实施方式中，处理单元，还用于根据第二预设尺寸对检测框图像进行处理。
44.第二输入单元，具体用于将处理后的检测框图像输入确定单元。
45.在一种可选的实施方式中，处理单元，具体用于通过确定单元确定检测框图像包括的至少一个人脸图像，确定至少一个人脸图像中与检测框图像匹配成功的目标人脸图像，根据目标人脸图像确定为人脸检测结果，并输出人脸检测结果。
46.在一种可选的实施方式中，处理单元，具体用于分别确定人脸图像与检测框图像的交并比，根据人脸图像与检测框图像的交并比，确定人脸图像中的目标人脸图像。
47.在一种可选的实施方式中，处理单元，具体用于将人脸图像中与检测框图像的交并比最大的目标人脸图像确定为人脸检测结果；或，根据人脸图像与检测框图像的交并比，确定人脸图像中高优先级的预设个数的目标人脸图像。
48.在一种可选的实施方式中，处理单元，还用于根据非极大值抑制算法对预设个数的目标人脸图像进行筛选；根据筛选结果确定人脸检测结果。
49.本技术实施例第三方面提供了一种终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述任一项所述的方法。
50.在一种可选的实施方式中，终端还包括图像采集设备，图像采集设备用于采集上述任一项所述的待识别图像。
51.本技术实施例第四方面提供了一种计算机可读存储介质，计算机可读存储介质内存储有计算机程序，计算机程序被处理器执行时实行本技术实施例第一方面至第一方面任一项实施例所述的方法。
52.在本技术实施例中，通过头肩检测模型对待识别图像进行头肩检测，以获取头肩特征，并基于头肩特征确定头肩检测框的位置，然后根据头肩检测框的位置确定待识别图像对应的检测框图像，然后再将检测框图像输入预设人脸检测模型，通过人脸检测模型对检测框图像进行人脸检测。通常，待识别图像包括的头肩图像比人脸图像大，检测待识别图像中的头肩图像更容易，并且头肩图像通常与人脸图像离得很近。因此，本技术实施例先识别头肩图像，再利用头肩图像(头肩检测框)的位置确定待识别图像对应的检测框图像，可以在保证不丢失人脸图像信息的情况下减少待识别图像的数据量，这样，再对待识别图像对应的检测框图像进行人脸检测时，一方面可以增大待识别图像中的人脸目标的尺寸比例，另一方面可以减少待识别图像的数据量，从而减少人脸检测的难度，加快人脸检测的速度，从而提高人脸检测的效率。
附图说明
53.图1为本技术实施例提供的一种人脸检测的方法的流程示意图；
54.图2为本技术实施例提供的另一种人脸检测的方法的流程示意图；
55.图3为本技术实施例提供的一种人脸检测装置的结构示意图；
56.图4为本技术实施例提供的另一种人脸检测装置的结构示意图。
具体实施方式
57.本技术实施例提供了一种人脸检测装置及相关设备，先利用待识别图像中的头肩特征来确定包含有人脸图像的区域框，然后根据区域框的位置对待识别图像进行剪裁处理，得到区域框对应的图像，然后再对区域框对应的图像进行人脸检测，以降低人脸检测模型的输入数据，提高人脸检测模型的处理速度和识别精度。
58.本发明实施例中所使用的技术术语仅用于说明特定实施例而并不旨在限定本发明。在本文中，单数形式“一”、“该”及“所述”用于同时包括复数形式，除非上下文中明确另
行说明。进一步地，在说明书中所使用的用于“包括”和/或“包含”是指存在所述特征、整体、步骤、操作、元件和/或构件，但是并不排除存在或增加一个或多个其它特征、整体、步骤、操作、元件和/或构件。
59.在所附权利要求中对应结构、材料、动作以及所有装置或者步骤以及功能元件的等同形式(如果存在的话)旨在包括结合其他明确要求的元件用于执行该功能的任何结构、材料或动作。本发明的描述出于实施例和描述的目的被给出，但并不旨在是穷举的或者将被发明限制在所公开的形式。
60.人脸识别技术，是基于人的脸部特征信息进行身份识别的一种生物识别技术。是用摄像机或摄像头采集含有人脸的图像或视频流，并在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部识别的一系列相关技术，通常也叫做人像识别、面部识别。其中，人脸识别系统集成了人工智能、机器识别、机器学习、模型理论、专家系统、视频图像处理等多种专业技术，是生物特征识别的最新应用，其核心技术的实现，展现了弱人工智能向强人工智能的转化。
61.人脸识别系统主要包括四个部分，分别为：人脸图像采集及检测、人脸图像预处理、人脸图像特征提取以及人脸匹配与识别。其中，人脸图像采集及检测包括两个步骤，采集与检测。在人脸图像采集过程中，不同的人脸图像都能通过摄像镜头采集下来，比如静态图像、动态图像、不同位置的图像、不同表情的图像等。当用户在采集设备的拍摄范围内时，采集设备会自动搜索并拍摄用户的人脸图像。人脸检测则主要用于人脸识别的预处理，即在采集到的待识别图像中准确标定出人脸的位置和大小。其中待识别图像中包含多种特征，如直方图特征、颜色特征、模板特征、结构特征等。人脸检测就是把这其中有用的信息挑出来，并利用这些特征实现人脸检测。
62.而人脸图像预处理是指基于人脸检测结果，对图像进行处理并最终服务于特征提取的过程。系统获取的原始图像由于受到各种条件的限制和随机干扰，往往不能直接使用，必须在图像处理的早期阶段对它进行灰度校正、噪声过滤等图像预处理。对于人脸图像而言，其预处理过程主要包括人脸图像的光线补偿、灰度变换、直方图均衡化、归一化、几何校正、滤波以及锐化等。
63.人脸图像特征提取是指人脸识别系统对可用特征的提取过程，通常可用的特征包括视觉特征、像素统计特征、人脸图像变换系数特征、人脸图像代数特征等。人脸特征提取就是针对人脸的某些特征进行的，它是对人脸进行特征建模的过程。人脸特征提取的方法归纳起来分为两大类：一种是基于知识的表征方法；另外一种是基于代数特征或统计学习的表征方法。
64.而人脸图像匹配与识别是人脸识别的最后一个过程，通过将提取的人脸图像的特征数据与数据库中存储的特征模板进行搜索匹配，来得到匹配结果。通常会设定一个阈值，当相似度超过这一阈值时，就将其作为识别结果输出。人脸识别就是将待识别的人脸特征与已得到的人脸特征模板进行比较，根据相似程度对人脸的身份信息进行判断。这一过程又分为两类：一类是确认，是一对一进行图像比较的过程，另一类是辨认，是一对多进行图像匹配对比的过程。
65.通过上述对人脸识别系统的描述，可以看出人脸检测在人脸识别过程中起很重要的作用。通过人脸检测技术，可以确定待识别图像中人脸的具体位置以及大小，这样为后续
特征提取以及匹配识别提供了基础。可以理解的，人脸检测可以对待识别图像进行预处理，将包含人脸的图像筛选出来，将不包含人脸的图像去除，这样可以大大提高人脸识别的识别效率，同时也增强了人脸识别的成功概率。人脸检测是上层应用的基础，对后续的人脸质量、属性、活体、特征提取有起着很重要的作用。
66.在现有的人脸检测过程中，由于在待识别图像中，人脸目标通常较小，因此检测困难大，同时待识别图像中除人脸目标外，还有过多背景图像，这将给人脸检测带来很大的干扰，同时还会增大整个人脸识别过程的输入的数据量，造成人脸精度低且速度慢等问题，并且会经常出现误检、识别不准确的情况，因此，如何提高人脸检测精度以及检测速度来提高人脸识别精度和识别速度成为亟需解决的问题。
67.基于上述问题，本技术实施例提供了一种人脸检测的方法，在进行人脸识别之前，先利用头肩识别模型(头肩检测模型)对待识别图像进行头肩检测，得到待识别图像中的头肩检测框，然后基于头肩检测框的位置对待识别图像进行裁剪和处理，最后对处理后的待识别图像进行人脸检测。这样可以在保证不丢失人脸图像信息的情况下减少待识别图像的数据量，一方面增大待识别图像中的人脸目标的尺寸，另一方面减少待识别图像的数据量，从而减少人脸检测的难度，加快人脸检测的速度，从而提高人脸检测的效率。
68.图1为本技术实施例提供的一种人脸检测的方法的流程示意图，如图1所示，该方法包括：
69.101、获取待识别图像，将待识别图像输入至头肩检测模型以获取头肩特征，并基于头肩特征确定头肩检测框的位置。
70.在人脸检测过程中，待识别图像包含有人脸目标。通常人脸目标相对于待识别图像，一般所占比例都比较小，很难识别和检测。因此，可以利用头肩检测模型，先对待识别图像进行头肩识别。由于头肩图像比人脸图像大，且头肩图像包含有人脸图像。因此，先进行头肩识别可以锁定人脸图像的大致位置，进而在缩小了确定人脸图像的范围。
71.其中，头肩检测模型的作用是对输入的待识别图像进行头肩特征提取，得到该待识别图像中的头肩框，即对待检测图像中的头肩图像部分进行框选，并基于头肩特征确定头肩检测框的位置。可以理解的，在本技术实施例中，可以直接调用训练好的头肩检测模型对待识别图像进行第一步检测，若头肩检测模型识别到待识别图像中的头肩图像时，就可以缩小人脸图像的范围。若头肩检测模型未识别到待识别图像中的头肩图像时，那么就说明待识别图像并不包含人脸图像，也就无需进行下一步的检测步骤。即头肩检测模型可以对大量的待识别图像进行初步筛选，提高整个检测过程的效率。
72.102、根据头肩检测框的位置确定待识别图像对应的检测框图像。
73.头肩检测模型对待识别图像进行头肩检测获取头肩特征后，进一步得到待识别图像的头肩检测框。具体的，头肩检测模型可以输出头肩检测框在待识别图像中的坐标信息，进而可根据该坐标信息来锁定待识别图像中的头肩图像，缩小人脸图像的范围。
74.然后，通过头肩检测模型获取到出头肩检测框在待识别图像中的坐标信息后，就可以根据该坐标信息，将检测框映射至待识别图像，然后根据头肩检测框截取待识别图像中对应的检测框图像，进而除掉了待识别图像中的背景特征，减小用于人脸检测的图像特征。同时头肩图像在检测框图像中的尺寸更大，减小人脸检测的难度。
75.示例性的，映射的方法可以是，假设原图为image_raw，其尺寸为(img_w0,img_
h0),头肩检测模型的输入图像尺寸为(img_w1,img_h1)，得到的头肩区域框为(x1,y1,w,h)，则可通过坐标变换得到在原图image_raw上的坐标为：
76.(x1*img_w0/img_w1,y1*img_h0/img_h1,w*img_w0/img_w1,h*img_h0/img_h1)
77.进一步地，基于上述坐标便可在原图上截取得到头肩区域图像image_a。需要说明的是，前述img_w1与img_w0以及img_h1与img_h0的尺寸具体数值大小此处不做限定。
78.103、将检测框图像输入预设人脸检测模型，通过人脸检测模型对检测框图像进行人脸检测。
79.在获得检测框图像后，将检测框图像输入到人脸检测模型，人脸检测模型可以基于人脸特征，对检测框图像进行检测。其中，人脸检测是指确定人脸的位置、大小和轮廓等，以便于后续人脸识别时对人脸检测所产生的人脸检测结果进行特征比对，得到该人脸图像对应的身份信息等。
80.可以理解的是，头肩检测模型可以确定多个检测框图像，人脸检测模型也可以检测检测框图像中包括的多个人脸。
81.可选的，人脸检测模型进行人脸检测的过程为：先对检测框图像进行人脸检测，在检测到人脸并定位面部关键特征点之后，主要的人脸区域就可以被裁剪出来，经过预处理之后，馈入后端的识别算法。识别算法完成人脸特征的提取并与库存的已知人脸进行比对，完成最终的分类。具体的，人脸检测模型用于获取用户的面部图像，后续人脸识别算法对其脸部的五官位置、脸型和角度进行计算分析，进而和自身数据库里已有的范本进行比对，后判断出用户的真实身份。进一步地，人脸识别可综合运用了数字图像/视频处理、模式识别、计算机视觉等多种技术，现有的人脸识别的算法主要包括4种：基于人脸特征点的识别算法、基于整幅人脸图像的识别算法、基于模板的识别算法、利用神经网络进行识别的算法。
82.在本技术实施例中，通过头肩检测模型对待识别图像进行头肩检测，以获取头肩特征，并基于头肩特征确定头肩检测框的位置，然后根据头肩检测框的位置确定待识别图像对应的检测框图像，然后再将检测框图像输入预设人脸检测模型，通过人脸检测模型对检测框图像进行人脸检测。通常，待识别图像包括的头肩图像比人脸图像大，检测待识别图像中的头肩图像更容易，并且头肩图像通常与人脸图像离得很近。因此，本技术实施例先识别头肩图像，再利用头肩图像(头肩检测框)的位置确定待识别图像对应的检测框图像，可以在保证不丢失人脸图像信息的情况下减少待识别图像的数据量，这样，再对待识别图像对应的检测框图像进行人脸检测时，一方面可以增大待识别图像中的人脸目标的尺寸比例，另一方面可以减少待识别图像的数据量，从而减少人脸检测的难度，加快人脸检测的速度，从而提高人脸检测的效率。
83.图2为本技术实施例提供的另一种人脸检测的方法的流程示意图，如图2所示，该方法包括：
84.201、缩放待识别图像至第一预设尺寸。
85.在将待识别图像输入至头肩检测模型之前，可以对待识别图像进行预处理，具体的，可以按照固定的尺寸(第一预设尺寸)对待识别图像进行缩放。可以理解的，该步骤为了统一头肩检测模型的输入量，保证输入头肩检测模型的输入图像尺寸一致，同时也保证尺寸较小的图像亦可进行头肩检测。
86.202、将缩放后的待识别图像输入至头肩检测模型以获取头肩特征，并基于头肩特
征确定头肩检测框的位置。
87.其中，步骤202与图1所示实施例中步骤101类似，在此不做赘述。
88.203、根据头肩检测框的位置确定待识别图像对应的检测框图像。
89.其中，步骤203与图1所示实施例中步骤102类似，在此不做赘述。
90.204、根据第二预设尺寸对检测框图像进行处理。
91.当获取到检测框图像后，还需要根据第二预设尺寸对检测框图像进行处理，处理后的检测框图像的尺寸为第二预设尺寸，以统一人脸检测模型的输入图像的尺寸。具体的，可以对检测框图像进行等比例缩小和放大，使得检测框图像的尺寸均固定在第二预设尺寸。一个优选的例子，当原检测框图像的尺寸大于第二预设尺寸时，还可以对原检测框图像进行剪裁，即对原检测框图像中的背景进行剪裁，由此进一步的减小人脸检测模型的输入数据量。
92.205、将处理后的检测框图像输入人脸检测模型，通过人脸检测模型对检测框图像进行人脸检测。
93.其中，步骤205与图1所示实施例中的步骤103类似，在此不做赘述。
94.206、通过人脸检测模型确定检测框图像包括的至少一个人脸图像。
95.可以理解的，检测框图像中可包括多个人脸，人脸检测模型可以确定检测框图像中的多个人脸图像。当人脸检测模型输出多个人脸图像时，还可以对多个人脸图像进行进一步的分析和处理，与检测框图像中检测到的头肩检测框比较，得到最终的人脸检测结果。
96.207、确定至少一个人脸图像中与检测框图像匹配成功的目标人脸图像。
97.当人脸检测模型识别到检测框图像中的多个人脸图像后，可以将每一个人脸图像分别与检测框图像进行匹配，得到匹配成功的目标人脸图像。
98.示例性的，可以根据人脸图像与检测框图像的交并比来确定目标人脸图像。其中，人脸图像与检测框图像的交并比反映的是人脸图像和头肩图像的重合程度。由于人脸具体为位于人的头部，因此交并比越高，也就是人脸图像和头肩图像的重合程度越高，此时说明所识别的人脸图像越准确。也即，可以将所有人脸图像中与检测框图像的交并比最大的人脸图像确定为目标人脸图像，并将其确定为人脸检测结果。同时，亦可以根据人脸图像与检测框图像的交并比，对多个人脸图像进行排序，最后根据排序结果选择高优先级的预设个数的人脸图像作为目标人脸图像，需要理解的是，此处对去确认具体目标人脸图像的方式不作限定。
99.208、根据非极大值抑制算法对目标人脸图像进行筛选。
100.其中，当确定好目标人脸图像后，还可以利用非极大值抑制(non-maximum suppression，nms)算法对目标人脸图像进行筛选。非极大值抑制算法，顾名思义就是抑制最大值，可以理解为局部最优。利用该方法可以对获取的人脸图像进行筛选，删除极限值，得到最优的目标人脸图像。
101.209、根据筛选结果确定人脸检测结果，并输出人脸检测结果。
102.当目标人脸图像被筛选后，可根据筛选结果来确定最终的人脸检测结果。
103.在本技术实施例中，通过头肩检测模型对待识别图像进行头肩检测，获得待识别图像中的头肩检测框，然后根据头肩检测框的位置对待识别图像进行剪裁和处理，得到该待识别图像对应的检测框图像，然后再通过人脸检测模型对检测框图像进行人脸检测，得
到人脸检测结果。通常，待识别图像包括的头肩图像比人脸图像大，检测待识别图像中的头肩图像更容易，并且头肩图像通常与人脸图像离得很近。因此，本技术实施例先识别头肩图像，再利用头肩图像(头肩检测框)的位置对待识别图像进行剪裁，可以在保证不丢失人脸图像信息的情况下减少待识别图像的数据量，这样，再对剪裁后的待识别图像进行人脸检测时，一方面可以增大待识别图像中的人脸目标的尺寸比例，另一方面可以减少待识别图像的数据量，从而减少人脸检测的难度，加快人脸检测的速度，从而提高人脸检测的效率。
104.图3为本技术实施例提供的一种人脸检测装置，包括：
105.头肩检测模块，用于获取待识别图像的头肩特征，并基于头肩特征确定头肩检测框以获取待识别图像对应的检测框图像；
106.人脸检测模块，用于接收检测框图像进行人脸检测；
107.其中，所述头肩检测模块包括第一输入单元301、获取单元302及确定单元303：
108.第一输入单元301，用于获取待识别图像并传输至获取单元302。
109.获取单元302，用于获取待识别图像的头肩检测框；
110.确定单元303，用于根据头肩检测框的位置确定待识别图像对应的检测框图像。
111.所述人脸检测模块包括第二输入单元304及处理单元305：
112.第二输入单元304，还用于将检测框图像输入至处理单元305。
113.处理单元305，用于对检测框图像进行人脸检测。
114.在一个可选的实施方式中，处理单元305，还用于缩放待识别图像至第一预设尺寸。
115.第一输入单元301，具体用于将缩放后的待识别图像输入获取单元302。
116.在一个可选的实施方式中，处理单元304，还用于根据第二预设尺寸对检测框图像进行处理，其中，处理后的检测框图像的尺寸为第二预设尺寸且仅包括人脸。
117.第二输入单元304，具体用于将处理后的检测框图像输入处理单元305。
118.在一种可选的实施方式中，处理单元305，具体用于通过确定检测框图像包括的至少一个人脸图像，确定至少一个人脸图像中与检测框图像匹配成功的目标人脸图像，根据目标人脸图像确定人脸检测结果，并输出人脸检测结果。
119.在一种可选的实施方式中，处理单元305，具体用于分别确定人脸图像与检测框图像的交并比，根据人脸图像与检测框图像的交并比，确定人脸图像中的目标人脸图像。
120.在一种可选的实施方式中，处理单元305，具体用于将人脸图像中与检测框图像的交并比最大的目标人脸图像确定为人脸检测结果；或，根据人脸图像与检测框图像的交并比，确定人脸图像中高优先级的预设个数的目标人脸图像。
121.在一种可选的实施方式中，处理单元305，还用于根据非极大值抑制算法对预设个数的目标人脸图像进行筛选；根据筛选结果确定人脸检测结果。
122.请参阅图4，为本技术实施例提供的另一种人脸检测的终端的结构示意图，该终端400包括：处理器401、存储器402以及存储在所述存储器中并可在所述处理器上运行的计算机程序403，其中，处理器执行所述计算机程序时实现上述人脸检测方法。
123.处理器401与存储器402可通过总线相互连接；总线可以是外设部件互连标准(peripheral component interconnect，简称pci)总线或扩展工业标准结构(extended industry standard architecture，简称eisa)总线等。所述总线可以分为地址总线、数据
总线、控制总线等。
124.存储器402可以包括易失性存储器(volatile memory)，例如随机存取存储器(random-access memory，ram)；存储器也可以包括非易失性存储器(non-volatile memory)，例如快闪存储器(flash memory)，硬盘(hard disk drive，hdd)或固态硬盘(solid-state drive，ssd)；存储器402还可以包括上述种类的存储器的组合。
125.处理器401可以是中央处理器(central processing unit，cpu)，网络处理器(英文：network processor，np)或者cpu和np的组合。处理器801还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(application-specific integrated circuit，asic)，可编程逻辑器件(programmable logic device，pld)或其组合。上述pld可以是复杂可编程逻辑器件(complex programmable logic device，cpld)，现场可编程逻辑门阵列(field-programmable gate array，fpga)，通用阵列逻辑(generic array logic,gal)或其任意组合。
126.在一个实施例中，终端400还包括与外设设备通信的通信接口，通信接口可以为有线通信接口，无线通信接口或其组合，其中，有线通信接口例如可以为以太网接口。以太网接口可以是光接口，电接口或其组合。无线通信接口可以为wlan接口，蜂窝网络通信接口或其组合等。
127.可选地，存储器402还可以用于存储程序指令，处理器401调用该存储器402中存储的程序指令，可以执行图1或图2所示方法实施例中的步骤，或其中可选的实施方式，使得所述人脸检测装置实现上述方法中的步骤，具体此处不再赘述。
128.在本技术的一些实施方式中，上述终端还可以包括图像采集设备，该图像采集设备可以用于采集上述待识别图像。
129.在本技术的一些具体的实施方式中，上述图像采集设备可为彩色相机、黑白相机、灰度相机、红外相机或深度相机等中的任意一种或多种组合，此处不作限制。
130.本技术实施例还提供了一种芯片或者芯片系统，该芯片或者芯片系统包括至少一个处理器和通信接口，通信接口和至少一个处理器通过线路互联，至少一个处理器运行指令或计算机程序，执行图1或图2所示方法实施例中的一个或多个步骤。
131.其中，芯片中的通信接口可以为输入/输出接口、管脚或电路等。
132.在一种可能的实现中，上述描述的芯片或者芯片系统还包括至少一个存储器，该至少一个存储器中存储有指令。该存储器可以为芯片内部的存储单元，例如，寄存器、缓存等，也可以是该芯片的存储单元(例如，只读存储器、随机存取存储器等)。
133.本技术实施例还提供了一种计算机存储介质，该计算机存储介质中存储有实现本技术实施例提供的人脸检测方法中的计算机程序指令。
134.本技术实施例还提供了一种计算机程序产品，该计算机程序产品包括计算机软件指令，该计算机软件指令可通过处理器进行加载来实现上述图1或图2所示人脸检测方法中的流程。
135.本发明实施例中所使用的技术术语仅用于说明特定实施例而并不旨在限定本发明。在本文中，单数形式“一”、“该”及“所述”用于同时包括复数形式，除非上下文中明确另行说明。进一步地，在说明书中所使用的用于“包括”和/或“包含”是指存在所述特征、整体、步骤、操作、元件和/或构件，但是并不排除存在或增加一个或多个其它特征、整体、步骤、操
作、元件和/或构件。
136.所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本技术的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
137.在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
138.本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对各个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
139.在本技术所提供的实施例中，应该理解到，所揭露的装置/终端和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
140.所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
141.另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
142.在所附权利要求中对应结构、材料、动作以及所有装置或者步骤以及功能元件的等同形式(如果存在的话)旨在包括结合其他明确要求的元件用于执行该功能的任何结构、材料或动作。本发明的描述出于实施例和描述的目的被给出，但并不旨在是穷举的或者将被发明限制在所公开的形式。