一种人脸图像检测方法、装置及设备与流程

本说明书一个或多个实施例涉及计算机，尤其涉及一种人脸图像检测方法、装置及设备。

背景技术：

1、随着科技的发展，越来越多的场景开始出现对人脸图像进行检测的需求。例如，在对用户进行身份验证的场景，或者，对视频中的用户行动轨迹进行追踪的场景，以及检查是否有人入侵指定地点的场景等。由于这些场景通常需要对待检测图像中的人脸图像进行精确识别，因此，目前采用的人脸图像检测方法通常较为复杂，这不仅会消耗大量的计算资源，还会对人脸图像检测效率产生影响。

2、综上所述，如何提供一种检测效率较高且准确性也较好的人脸图像检测方法已成为亟需解决的问题。

技术实现思路

1、有鉴于此，本说明书一个或多个实施例提供了一种人脸图像检测方法、装置及设备，用于在保证人脸图像检测结果的准确性的基础上，去提高人脸图像检测方法的运行效率。

2、为解决上述技术问题，本说明书实施例是这样实现的：

3、本说明书实施例提供的一种人脸图像检测方法，包括：

4、获取当前帧图像的上一帧图像中的第一人脸区域的位置信息，所述第一人脸区域内存在一个人脸图像；

5、根据所述第一人脸区域的位置信息，从所述当前帧图像中提取第一子图像，所述第一子图像在所述当前帧图像中的显示区域覆盖所述第一人脸区域；

6、利用轻量化卷积神经网络模型检测所述第一子图像中是否存在人脸图像。

7、本说明书实施例提供的一种人脸图像检测方法，包括：

8、获取待检测帧序列中的一帧图像，得到第一帧图像；

9、利用第一神经网络模型对所述第一帧图像进行人脸检测，得到所述第一帧图像中的至少一个人脸区域的位置信息，所述人脸区域内存在一个人脸图像，所述第一神经网络模型为基于卷积神经网络的目标检测模型；

10、获取所述待检测帧序列中的另一帧图像，得到第二帧图像，所述第二帧图像的时序晚于所述第一帧图像的时序；

11、针对每个所述人脸区域的位置信息，从所述第二帧图像中提取一个子图像，得到子图像集合；所述子图像在所述第二帧图像中的显示区域覆盖所述人脸区域；

12、利用第二神经网络模型，检测所述子图像集合中的各个所述子图像中是否存在人脸图像，所述第二神经网络模型为轻量化卷积神经网络模型。

13、本说明书实施例提供的一种人脸图像检测模型的训练方法，包括：

14、获取样本图像集合；

15、对于所述样本图像集合中的每个样本图像，采用单阶段目标检测模型对所述样本图像进行人脸检测，得到预测图像集合；所述预测图像集合中包括多个预测人脸图像集合，对于一个所述样本图像的人脸检测结果包含在一个所述预测人脸图像集合中；

16、利用所述预测图像集合对轻量化卷积神经网络模型进行训练。

17、本说明书实施例提供的一种人脸图像检测装置，包括：

18、第一获取模块，用于获取当前帧图像的上一帧图像中的第一人脸区域的位置信息，所述第一人脸区域内存在一个人脸图像；

19、第一子图像提取模块，用于根据所述第一人脸区域的位置信息，从所述当前帧图像中提取第一子图像，所述第一子图像在所述当前帧图像中的显示区域覆盖所述第一人脸区域；

20、第一检测模块，用于利用轻量化卷积神经网络模型检测所述第一子图像中是否存在人脸图像。

21、本说明书实施例提供的一种人脸图像检测装置，包括：

22、第一获取模块，用于获取待检测帧序列中的一帧图像，得到第一帧图像；

23、第一检测模块，用于利用第一神经网络模型对所述第一帧图像进行人脸检测，得到所述第一帧图像中的至少一个人脸区域的位置信息，所述人脸区域内存在一个人脸图像，所述第一神经网络模型为基于卷积神经网络的目标检测模型；

24、第二获取模块，用于获取所述待检测帧序列中的另一帧图像，得到第二帧图像，所述第二帧图像的时序晚于所述第一帧图像的时序；

25、子图像提取模块，用于针对每个所述人脸区域的位置信息，从所述第二帧图像中提取一个子图像，得到子图像集合；所述子图像在所述第二帧图像中的显示区域覆盖所述人脸区域；

26、第二检测模块，用于利用第二神经网络模型，检测所述子图像集合中的各个所述子图像中是否存在人脸图像，所述第二神经网络模型为轻量化卷积神经网络模型。

27、本说明书实施例提供的一种人脸图像检测模型的训练装置，包括：

28、获取模块，用于获取样本图像集合；

29、预测图像集合生成模块，用于对于所述样本图像集合中的每个样本图像，采用单阶段目标检测模型对所述样本图像进行人脸检测，得到预测图像集合；所述预测图像集合中包括多个预测人脸图像集合，对于一个所述样本图像的人脸检测结果包含在一个所述预测人脸图像集合中；

30、训练模块，用于利用预测图像集合对轻量化卷积神经网络模型进行训练。

31、本说明书实施例提供的一种人脸图像检测设备，包括：

32、至少一个处理器；以及，

33、与所述至少一个处理器通信连接的存储器；其中，

34、所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：

35、获取当前帧图像的上一帧图像中的第一人脸区域的位置信息，所述第一人脸区域内存在一个人脸图像；

36、根据所述第一人脸区域的位置信息，从所述当前帧图像中提取第一子图像，所述第一子图像在所述当前帧图像中的显示区域覆盖所述第一人脸区域；

37、利用轻量化卷积神经网络模型检测所述第一子图像中是否存在人脸图像。

38、本说明书实施例提供的一种人脸图像检测设备，包括：

39、至少一个处理器；以及，

40、与所述至少一个处理器通信连接的存储器；其中，

41、所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：

42、获取待检测帧序列中的一帧图像，得到第一帧图像；

43、利用第一神经网络模型对所述第一帧图像进行人脸检测，得到所述第一帧图像中的至少一个人脸区域的位置信息，所述人脸区域内存在一个人脸图像，所述第一神经网络模型为基于卷积神经网络的目标检测模型；

44、获取所述待检测帧序列中的另一帧图像，得到第二帧图像，所述第二帧图像的时序晚于所述第一帧图像的时序；

45、针对每个所述人脸区域的位置信息，从所述第二帧图像中提取一个子图像，得到子图像集合；所述子图像在所述第二帧图像中的显示区域覆盖所述人脸区域；

46、利用第二神经网络模型，检测所述子图像集合中的各个所述子图像中是否存在人脸图像，所述第二神经网络模型为轻量化卷积神经网络模型。

47、本说明书实施例提供的一种人脸图像检测模型的训练设备，包括：

48、至少一个处理器；以及，

49、与所述至少一个处理器通信连接的存储器；其中，

50、所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：

51、获取样本图像集合；

52、对于所述样本图像集合中的每个样本图像，采用单阶段目标检测模型对所述样本图像进行人脸检测，得到预测图像集合；所述预测图像集合中包括多个预测人脸图像集合，对于一个所述样本图像的人脸检测结果包含在一个所述预测人脸图像集合中；

53、利用所述预测图像集合对轻量化卷积神经网络模型进行训练。

54、本说明书一个实施例实现了能够达到以下有益效果：

55、通过根据上一帧图像中存在人脸图像的第一人脸区域的位置信息，从当前帧图像中提取第一子图像，所述第一子图像在所述当前帧图像中的显示区域覆盖所述第一人脸区域，并利用轻量化卷积神经网络模型检测所述第一子图像中是否存在人脸图像，以实现对当前帧图像的人脸检测。由于同一人脸图像在连续两帧图像中的显示区域之间的差异性较小，因此，该方案通过对当前帧图像中的第一子图像进行人脸检测得到的人脸检测结果的准确性较好。同时，由于无需对当前帧图像中的全部区域进行检测，减少了轻量化卷积神经网络模型所需处理的数据量，从而有利于提升人脸图像检测方法的运行效率。且由于轻量化卷积神经网络模型结构较为简单、算子数量较少、运算速度较快，从而可以进一步提升人脸图像检测方法的运行效率。