人脸检测方法、模型的训练方法及其相关装置.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN111814553A(43)申请公布日2020.10.23(21)申请号202010514747.4(22)申请日2020.06.08(71)申请人浙江大华技术股份有限公司地址310051浙江省杭州市滨江区滨安路1187号(72)发明人郭思郁(74)专利代理机构深圳市威世博知识产权代理事务所(普通合伙)44280代理人黎坚怡(51)Int.Cl.G06K9/00(2006.01)G06K9/62(2006.01)权利要求书2页说明书6页附图3页(54)发明名称人脸检测方法、模型的训练方法及其相关装置(57)摘要本申请提供人脸检测方法、模型的训练方法及其相关装置。该人脸检测模型的训练方法包括：获取训练样本集，训练样本集包括各种细分类人脸类别和非人脸类别对应的样本；基于训练样本集对人脸检测模型进行训练，以让人脸检测模型能确认待检测图像属于各个细分类人脸类别和非人脸类别的概率。本申请的方法可以有效保留低质量人脸，从而有效提高人脸检测的准确率。CN111814553ACN111814553A权利要求书1/2页1.一种人脸检测模型的训练方法，其特征在于，所述方法包括：获取训练样本集，所述训练样本集包括各种细分类人脸类别和非人脸类别对应的样本；基于所述训练样本集对所述人脸检测模型进行训练，以让所述人脸检测模型能确认待检测图像属于各个细分类人脸类别和非人脸类别的概率。2.根据权利要求1所述的人脸检测模型的训练方法，其特征在于，所述非人脸类别对应的样本包括各个细分类非人脸类别对应的样本和其他非人脸样本，所述基于所述训练样本集对所述人脸检测模型进行训练，包括：基于所述训练样本集使用联合损失对人脸检测模型进行训练；其中，所述联合损失包括第一损失和第二损失，所述第一损失用于监督训练各个细分类人脸类别和细分类非人脸类别对应的样本；所述第二损失用于监督训练其他非人脸样本，使得待检测图像与所述细分类人脸类别和细分类非人脸类别对应的样本不匹配时，所述待检测图像属于各个细分类人脸类别和细分类非人脸类别的概率大致相等。3.根据权利要求1所述的人脸检测模型的训练方法，其特征在于，所述各个细分类人脸类别对应的样本是按照影响人脸图像质量的因素将人脸图像进行细分的，所述影响人脸图像质量的因素包括角度因素、光照因素、遮挡因素中的一种或多种。4.一种人脸检测方法，其特征在于，所述方法包括：获取待检测图像；确定所述待检测图像属于非人脸类别和至少两个细分类人脸类别的概率；确认所有细分类人脸类别的概率的总和是否大于第一阈值；在总和大于第一阈值时，确认所述待检测图像为人脸。5.根据权利要求4所述的人脸检测方法，其特征在于，确定所述待检测图像属于非人脸类别和至少两个细分类人脸类别的概率，包括：确定所述待检测图像属于至少两个细分类非人脸类别和至少两个细分类人脸类别的概率。6.根据权利要求5所述的人脸检测方法，其特征在于，所述确认所有细分类人脸类别的概率的总和是否大于第一阈值，之前包括：确认所述概率的最大值是否超过第二阈值；在所述概率的最大值不超过第二阈值时；在所述概率的最大值大于第二阈值时，执行所述确认所述细分类人脸类别的概率的总和是否大于第一阈值的步骤。7.根据权利要求6所述的人脸检测方法，其特征在于，所述确定所述待检测图像属于非人脸类别和至少两个细分类人脸类别的概率，包括：将所述待检测图像输入到人脸检测模型，以获得所述待检测图像属于非人脸类别和至少两个细分类人脸类别的概率；所述人脸检测模型是通过权利要求2所述的人脸检测模型的训练方法训练好的。8.根据权利要求7所述的人脸检测方法，其特征在于，所述确定所述待检测图像属于非人脸类别和至少两个细分类人脸类别的概率，之前包括：确定所述待检测图像属于人脸类别和非人脸类别的概率，确认所述待检测图像属于人2CN111814553A权利要求书2/2页脸的概率是否大于第三阈值；在所述待检测图像属于人脸的概率小于第三阈值时，执行所述确定所述待检测图像属于非人脸类别和至少两个细分类人脸类别的概率的步骤。9.一种智能装置，其特征在于，所述智能装置包括存储器和处理器；所述存储器用于存储实现如权利要求1-3任一项所述的人脸检测模型的训练方法的程序指令；和/或，所述存储器用于存储实现如权利要求4-8任一项所述的人脸检测方法；所述处理器用于执行所述存储器存储的所述程序指令。10.一种具有存储功能的装置，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-3任一项所述的人脸检测模型的训练方法和/或权利要求4-8任一项所述的人脸检测方法的步骤。3CN111814553A说明书1/6页人脸检测方法、模型的训练方法及其相关装置技术领域[0001]本申请涉及图像检测技术