CN108197618B - 用于生成人脸检测模型的方法和装置 - Google Patents

Abstract

本申请实施例公开了用于生成人脸检测模型的方法和装置。该方法的一具体实施方式包括：获取样本集；从样本集中选取样本，以及执行以下训练步骤：将选取的样本的样本人脸图像输入初始模型，得到样本的脸部特征信息和头部特征信息；分别确定脸部特征损失值和头部特征损失值；根据预设的脸部权重和头部权重，将样本的脸部特征损失值与样本的头部特征损失值的加权结果作为样本的总损失值，以及将样本的总损失值与目标值进行比较；根据比较结果确定初始模型是否训练完成；响应于确定初始模型训练完成，将初始模型作为人脸检测模型。通过该实施方式能够得到一种可以用于人脸检测的模型。且该方法丰富了模型的生成方式。

Description

用于生成人脸检测模型的方法和装置

技术领域

本申请实施例涉及计算机技术领域，具体涉及用于生成人脸检测模型的方法和装置。

背景技术

人脸检测(Face Detection)是自动人脸识别系统中的一个关键环节。其通常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，则可以返回人脸的位置、大小和姿态等。

随着人工智能的快速发展，现有的人脸检测技术往往是将图像输入训练好的神经网络中，从而得到图像的人脸检测结果。

发明内容

本申请实施例提出了用于生成人脸检测模型的方法和装置，以及用于检测人脸的方法和装置。

第一方面，本申请实施例提供了一种用于生成人脸检测模型的方法，包括：获取样本集，其中，样本集中的样本包括样本人脸图像以及与样本人脸图像对应的样本脸部特征信息和样本头部特征信息；从样本集中选取样本，以及执行以下训练步骤：将选取的样本的样本人脸图像输入初始模型，得到样本的脸部特征信息和头部特征信息；将得到的脸部特征信息与对应的样本脸部特征信息进行分析，确定脸部特征损失值；将得到的头部特征信息与对应的样本头部特征信息进行分析，确定头部特征损失值；根据预设的脸部权重和头部权重，将样本的脸部特征损失值与样本的头部特征损失值的加权结果作为样本的总损失值，以及将样本的总损失值与目标值进行比较；根据比较结果确定初始模型是否训练完成；响应于确定初始模型训练完成，将初始模型作为人脸检测模型。

在一些实施例中，预设的脸部权重和头部权重通过以下步骤获得：检测样本人脸图像中的五官和/或脸部区域的肤色面积；根据检测结果确定脸部的遮挡比例；基于遮挡比例，调整预设的初始脸部权重和初始头部权重，分别得到脸部权重和头部权重，其中，脸部权重与遮挡比例负相关，且头部权重与遮挡比例正相关。

在一些实施例中，当遮挡比例小于预设比例值时，脸部权重为权重范围的最大值，且头部权重为权重范围的最小值。

在一些实施例中，该方法还包括：响应于确定初始模型未训练完成，调整初始模型中的相关参数，以及从样本集中重新选取样本，继续执行训练步骤。

第二方面，本申请实施例提供了一种用于生成人脸检测模型的装置，包括：获取单元，配置用于获取样本集，其中，样本集中的样本包括样本人脸图像以及与样本人脸图像对应的样本脸部特征信息和样本头部特征信息；训练单元，配置用于从样本集中选取样本，以及执行以下训练步骤：将选取的样本的样本人脸图像输入初始模型，得到样本的脸部特征信息和头部特征信息；将得到的脸部特征信息与对应的样本脸部特征信息进行分析，确定脸部特征损失值；将得到的头部特征信息与对应的样本头部特征信息进行分析，确定头部特征损失值；根据预设的脸部权重和头部权重，将样本的脸部特征损失值与样本的头部特征损失值的加权结果作为样本的总损失值，以及将样本的总损失值与目标值进行比较；根据比较结果确定初始模型是否训练完成；响应于确定初始模型训练完成，将初始模型作为人脸检测模型。

在一些实施例中，该装置还包括权重获取单元，配置用于：检测样本人脸图像中的五官和/或脸部区域的肤色面积；根据检测结果确定脸部的遮挡比例；基于遮挡比例，调整预设的初始脸部权重和初始头部权重，分别得到脸部权重和头部权重，其中，脸部权重与遮挡比例负相关，且头部权重与遮挡比例正相关。

在一些实施例中，当遮挡比例小于预设比例值时，脸部权重为权重范围的最大值，且头部权重为权重范围的最小值。

在一些实施例中，该装置还包括：调整单元，配置用于响应于确定初始模型未训练完成，调整初始模型中的相关参数，以及从样本集中重新选取样本，继续执行训练步骤。

第三方面，本申请实施例提供了一种用于检测人脸的方法，包括：获取检测对象的人脸图像；将人脸图像输入采用如上述第一方面中任一实施例所描述的方法生成的人脸检测模型中，生成检测对象的人脸检测结果。

第四方面，本申请实施例提供了一种用于检测人脸的装置，包括：获取单元，配置用于获取检测对象的人脸图像；生成单元，配置用于将人脸图像输入采用如上述第一方面中任一实施例所描述的方法生成的人脸检测模型中，生成检测对象的人脸检测结果。

第五方面，本申请实施例提供了一种电子设备，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上述第一方面和第三方面中任一实施例所描述的方法。

第六方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，该计算机程序被处理器执行时实现如上述第一方面和第三方面中任一实施例所描述的方法。

本申请实施例提供的用于生成人脸检测模型的方法和装置，通过获取样本集，可以从中选取样本以进行初始模型的训练。其中，样本集中的样本可以包括样本人脸图像以及与样本人脸图像对应的样本脸部特征信息和样本头部特征信息。这样，将选取的样本的样本人脸图像输入初始模型，便可以得到样本的脸部特征信息和头部特征信息。之后，可以将得到的脸部特征信息和头部特征信息分别与对应的样本脸部特征信息和样本头部特征信息进行分析，从而确定脸部特征损失值和头部特征损失值。接着，根据预设的脸部权重和头部权重，可以将样本的脸部特征损失值与样本的头部特征损失值的加权结果作为样本的总损失值，并可以将样本的总损失值与目标值进行比较。最后，可以根据比较结果来确定初始模型是否训练完成。如果确定初始模型训练完成，就可以将训练完成的初始模型作为人脸检测模型。从而能够得到一种可以用于人脸检测的模型。且有助于丰富模型的生成方式。

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是根据本申请用于生成人脸检测模型的方法的一个实施例的流程图；

图3是根据本申请用于生成人脸检测模型的方法的一个应用场景的示意图；

图4是根据本申请用于生成人脸检测模型的装置的一个实施例的结构示意图；

图5是根据本申请用于检测人脸的方法的一个实施例的流程图；

图6是根据本申请用于检测人脸的装置的一个实施例的结构示意图；

图7是适于用来实现本申请实施例的电子设备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实施例的用于生成人脸检测模型的方法、用于生成人脸检测模型的装置、用于检测人脸的方法或用于检测人脸的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101、102，网络103、数据库服务器104和服务器105。网络103用以在终端101、102，数据库服务器104与服务器105之间提供通信链路的介质。网络103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110可以使用终端101、102通过网络103与服务器105进行交互，以接收或发送消息等。终端101、102上可以安装有各种客户端应用，例如模型训练类应用、人脸检测识别类应用、购物类应用、支付类应用、网页浏览器和即时通讯工具等。

这里的终端101、102可以是硬件，也可以是软件。当终端101、102为硬件时，可以是具有显示屏的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio Layer III，动态影像专家压缩标准音频层面3)、膝上型便携计算机和台式计算机等等。当终端101、102为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

当终端101、102为硬件时，其上还可以安装有图像采集设备。图像采集设备可以是各种能实现采集图像功能的设备，如摄像头、传感器等等。用户110可以利用终端101、102上的图像采集设备，来采集自身或他人的人脸图像。

数据库服务器104可以是提供各种服务的数据库服务器。例如数据库服务器中可以存储有样本集。样本集中包含有大量的样本。其中，样本可以包括样本人脸图像以及与样本人脸图像对应的样本脸部特征信息和样本头部特征信息。这样，用户110也可以通过终端101、102，从数据库服务器104所存储的样本集中选取样本。

服务器105也可以是提供各种服务的服务器，例如对终端101、102上显示的各种应用提供支持的后台服务器。后台服务器可以利用终端101、102发送的样本集中的样本，对初始模型进行训练，并可以将训练结果(如生成的人脸检测模型)发送给终端101、102。这样，用户可以应用生成的人脸检测模型进行人脸检测。

这里的数据库服务器104和服务器105同样可以是硬件，也可以是软件。当它们为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当它们为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

需要说明的是，本申请实施例所提供的用于生成人脸检测模型的方法或用于检测人脸的方法一般由服务器105执行。相应地，用于生成人脸检测模型的装置或用于检测人脸的装置一般也设置于服务器105中。

需要指出的是，在服务器105可以实现数据库服务器104的相关功能的情况下，系统架构100中可以不设置数据库服务器104。

应该理解，图1中的终端、网络、数据库服务器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、网络、数据库服务器和服务器。

继续参见图2，其示出了根据本申请的用于生成人脸检测模型的方法的一个实施例的流程200。该用于生成人脸检测模型的方法可以包括以下步骤：

步骤201，获取样本集。

在本实施例中，用于生成人脸检测模型的方法的执行主体(例如图1所示的服务器105)可以通过多种方式来获取样本集。例如，执行主体可以通过有线连接方式或无线连接方式，从数据库服务器(例如图1所示的数据库服务器104)中获取存储于其中的现有的样本集。再例如，用户可以通过终端(例如图1所示的终端101、102)来收集样本。这样，执行主体可以接收终端所收集的样本，并将这些样本存储在本地，从而生成样本集。

在这里，样本集中可以包括至少一个样本。其中，样本可以包括样本人脸图像以及与样本人脸图像对应的样本脸部特征信息和样本头部特征信息。这里的样本脸部特征信息可以是用于表征图像中脸部特征的信息。样本头部特征信息可以是用于表征图像中头部特征的信息。例如样本脸部特征信息可以包括脸部在图像中的位置信息或脸部轮廓关键点信息等，如脸部边框(x,y,w,h)。其中，x表示边框的中心点横坐标；y表示边框的中心点纵坐标；w表示边框的宽度；h表示边框的长度。

可以理解的是，样本脸部特征信息和样本头部特征信息可以是预先人为设置的，也可以是执行主体或其他设备执行某设定程序而得到的。作为示例，在脸部边框的位置已知的情况下，执行主体可以确定该脸部边框的中心点位置。之后，可以以中心点为中心确定头部边框。具体地，执行主体可以以中心点为中心，将脸部边框的尺寸放大一定倍数，从而得到头部边框。或者，考虑到发型、人脸姿态等因素，执行主体还可以将放大后得到的边框，以中心点为基准向上(向头顶方向)、向左和/或向右移动一定距离，从而得到头部边框。

在本实施例中，样本人脸图像通常指包含人脸的图像。其可以是平面人脸图像，也可以是立体人脸图像(即包含深度信息的人脸图像)。而且样本人脸图像可以是彩色图像(如RGB(Red、Green、Blue，红绿蓝)照片)和/或灰度图像等等。该图像的格式在本申请中并不限制，如jpg(Joint Photo graphic Experts Group，一种图片格式)、BMP(Bitmap，图像文件格式)或RAW(RAW Image Format，无损压缩格式)等格式，只要可以被执行主体读取识别即可。

步骤202，从样本集中选取样本。

在本实施例中，执行主体可以从步骤201中获取的样本集中选取样本，以及执行步骤203至步骤208的训练步骤。其中，样本的选取方式和选取数量在本申请中并不限制。例如可以是随机选取至少一个样本，也可以是从中选取样本人脸图像的清晰度较好(即像素较高)的样本。

步骤203，将选取的样本的样本人脸图像输入初始模型，得到样本的脸部特征信息和头部特征信息。

在本实施例中，执行主体可以将步骤202中选取的样本的样本人脸图像输入初始模型。通过对样本人脸图像中的脸部区域进行检测分析，可以得到脸部特征信息。同时，通过对样本人脸图像的头部区域进行检测分析，可以得到头部特征信息。其中，脸部特征信息可以是用于表征图像中脸部特征的信息。头部特征信息可以是用于表征图像中头部特征的信息。

可以理解的是，头部区域往往会包括脸部区域，所以头部特征信息中往往也包含有脸部特征信息。此外，为了实现模型的训练，这里得到的脸部特征信息和头部特征信息，一般会与样本脸部特征信息具有相同的表示方式。如脸部特征信息可以为脸部边框(x,y,w,h)。头部特征信息可以为头部边框(x,y,w,h)。

在本实施例中，初始模型可以是基于机器学习技术而创建的现有的各种神经网络模型。该神经网络模型可以具有现有的各种神经网络结构(例如DenseBox、VGGNet、ResNet、SegNet等)。初始模型的存储位置在本申请中同样不限制。

步骤204，将得到的脸部特征信息与对应的样本脸部特征信息进行分析，确定脸部特征损失值。

在本实施例中，执行主体可以将样本人脸图像的脸部特征信息与和该样本人脸图像对应的样本脸部特征信息进行分析，从而可以确定脸部特征损失值。例如可以将脸部特征信息和对应的样本脸部特征信息作为参数，输入指定的损失函数(loss function)中，从而可以计算得到两者之间损失值。

在本实施例中，损失函数通常是用来估量模型的预测值(如脸部特征信息)与真实值(如样本脸部特征信息)的不一致程度。它是一个非负实值函数。一般情况下，损失函数越小，模型的鲁棒性就越好。损失函数可以根据实际需求来设置。

步骤205，将得到的头部特征信息与对应的样本头部特征信息进行分析，确定头部特征损失值。

在本实施例中，执行主体还可以将样本人脸图像的头部特征信息与和该样本人脸图像对应的样本头部特征信息进行分析，从而可以确定头部特征损失值。作为示例，可以参见步骤204中描述的相关方法，此处不再赘述。

步骤206，根据预设的脸部权重和头部权重，将样本的脸部特征损失值与样本的头部特征损失值的加权结果作为样本的总损失值，以及将样本的总损失值与目标值进行比较。

在本实施例中，执行主体可以根据预设的脸部权重和头部权重，对同一样本的脸部特征损失值与头部特征损失值进行加权处理。即预设的脸部权重为脸部特征损失值的权重。预设的头部权重为头部特征损失值的权重。之后，执行主体可以将同一样本的上述加权结果，作为该样本的总损失值。以及可以将选取的样本的总损失值与目标值进行比较。

在本实施例中，预设的脸部权重和头部权重可以根据实际情况来设置。而目标值一般可以用于表示预测值(即脸部特征信息、头部特征信息)与真值(样本脸部特征信息、样本头部特征信息)之间的不一致程度的理想情况。也就是说，当总损失值小于目标值时，可以认为预测值接近或近似真值。目标值可以根据实际需求来设置。

需要说明的是，若步骤202中选取有多个(至少两个)样本，则执行主体可以将每个样本的总损失值分别与目标值进行比较。从而可以确定每个样本的总损失值是否小于目标值。

在本实施例的一些可选地实现方式中，预设的脸部权重和预设的头部权重可以分别为一固定权重值。而且由于主要是为了检测人脸，所以脸部权重可以预设的相对大些，如80％。同时，头部权重可以预设的相对小些，如20％。

可选地，为了提高检测结果的准确定，执行主体也可以根据不同的样本人脸图像，来动态调整上述脸部权重和/或上述头部权重。也就是说，预设的脸部权重和/或预设的头部权重可以为非固定权重值。作为示例，预设的脸部权重和头部权重可以通过以下步骤获得：

首先，执行主体可以检测样本人脸图像中的五官和/或脸部区域的肤色面积。之后，可以根据检测结果确定脸部的遮挡比例(即脸部遮挡面积占脸部总面积的比例)。接着，基于遮挡比例，执行主体可以调整预设的初始脸部权重和初始头部权重，分别得到脸部权重和头部权重。其中，脸部权重与遮挡比例负相关，且头部权重与遮挡比例正相关。即遮挡比例越高，脸部权重会变小，而头部权重会变大。

例如，检测到样本人脸图像中人脸的两只眼睛、鼻子和嘴时，可以认为遮挡比例为0。没有检测到嘴时，可以认为遮挡比例为30％。而没有检测到鼻子和嘴时，可以认为遮挡比例为60％。同时，初始脸部权重可以设置为1，初始头部权重可以为0。此时对应的初始遮挡比例可以为0。这样，执行主体可以根据当前确定的遮挡比例(如30％)，来降低初始脸部权重和提高初始头部权重，分别得到脸部权重(如0.7)和头部权重(0.3)。

再例如，可以预先设置有不同的遮挡比例范围以及与其对应的脸部权重和头部权重。如遮挡比例在10％至30％之间时，脸部权重为0.9，头部权重为0.1；遮挡比例在30％至50％之间时，脸部权重为0.7，头部权重为0.3等等。此时，执行主体首先可以判断样本人脸图像的遮挡比例所在范围。之后，根据遮挡比例所在范围对应的脸部权重和头部权重，可以调整初始脸部权重和初始头部权重。即将遮挡比例所在范围对应的脸部权重和头部权重，分别作为样本人脸图像的脸部权重和头部权重。

进一步地，当遮挡比例小于预设比例值时，脸部权重可以为权重范围的最大值，且头部权重可以为权重范围的最小值。例如遮挡比例小于10％时，脸部权重可以为1，而头部权重可以为0。也就是说，当遮挡比例小于预设比例值时，可以认为样本人脸图像中的脸部基本没有遮挡或遮挡面积较小。即说明此时可以获取到较多的脸部特征数据。因此可以不考虑或者融合较少的头部特征数据。

这里的预设比例值和权重范围也可以根据实际需求设置。例如脸部权重和头部权重可以对应同一权重范围。再例如，也可以对脸部权重和头部权重分别设置对应的权重范围。

在这里，根据不同样本人脸图像的情况，来动态调整脸部权重和头部权重。可以有助于提高训练方法的灵活性和适用范围。同时，这种方法训练得到的模型，能够获得更加准确的检测结果。

可以理解的是，利用权重化的方法，将脸部特征损失值与头部特征损失值相融合，从而调整优化模型。这种方法训练得到的人脸检测模型，能够有效地提高人脸检测的鲁棒性。尤其在脸部遮挡较严重、光照较差等情况下，通过结合头部信息有助于提高人脸检测识别的准确性。

步骤207，根据比较结果确定初始模型是否训练完成。

在本实施例中，根据步骤206中的比较结果，执行主体可以确定初始模型是否训练完成。作为示例，如果步骤202中选取有多个样本，那么在每个样本的总损失值均小于目标值的情况下，执行主体可以确定初始模型训练完成。再例如，执行主体可以统计总损失值小于目标值的样本占选取的样本的比例。且在该比例达到预设样本比例(如95％)，可以确定初始模型训练完成。

在本实施例中，若执行主体确定初始模型已训练完成，则可以继续执行步骤208。若执行主体确定初始模型未训练完成，则可以调整初始模型中的相关参数。例如采用反向传播技术修改初始模型中各卷积层中的权重。以及可以返回步骤202，从样本集中重新选取样本。从而可以继续执行上述训练步骤。

需要说明的是，这里的选取方式在本申请中也不限制。例如在样本集中有大量样本的情况下，执行主体可以从中选取未被选取过的样本。

步骤208，响应于确定初始模型训练完成，将初始模型作为人脸检测模型。

在本实施例中，若执行主体确定初始模型训练完成，则可以将该初始模型(即训练完成的初始模型)作为人脸检测模型。

此外，对于上述脸部区域和头部区域的检测，可以是由初始模型中相互独立的两个子模型来分别完成的；也可以是由初始模型中相互关联的不同部分来完成的。也就是说，初始模型可以是由多个子模型构成的，也可以是一个包含多个子模型功能的完整模型。

可选地，执行主体可以将生成的人脸检测模型存储在本地，也可以将其发送给终端或数据库服务器。

进一步参见图3，图3是根据本实施例的用于生成人脸检测模型的方法的一个应用场景的示意图。在图3的应用场景中，用户所使用的终端31上可以安装有模型训练类应用。当用户打开该应用，并上传样本集或样本集的存储路径后，对该应用提供后台支持的服务器32可以运行用于生成人脸检测模型的方法，包括：

首先，可以获取样本集。其中，样本集中的样本可以包括样本人脸图像321以及与样本人脸图像对应的样本脸部特征信息322和样本头部特征信息323。之后，可以从样本集中选取样本，以及执行以下训练步骤：将选取的样本的样本人脸图像321输入初始模型320，得到样本的脸部特征信息322＇和头部特征信息323＇；将脸部特征信息322＇与对应的样本脸部特征信息322进行分析，确定脸部特征损失值324；将头部特征信息323＇与对应的样本头部特征信息323进行分析，确定头部特征损失值325；根据预设的脸部权重和头部权重，将样本的脸部特征损失值324与样本的头部特征损失值325的加权结果作为样本的总损失值326，以及将样本的总损失值326与目标值进行比较；根据比较结果确定初始模型320是否训练完成；响应于确定初始模型320训练完成，将初始模型320作为人脸检测模型320＇。

此时，服务器32还可以向终端31发送用于指示模型训练完成的提示信息。该提示信息可以是语音和/或文字信息。这样，用户可以在预设的存储位置获取到人脸检测模型。

本实施例中用于生成人脸检测模型的方法，通过获取样本集，可以从中选取样本以进行初始模型的训练。其中，样本集中的样本可以包括样本人脸图像以及与样本人脸图像对应的样本脸部特征信息和样本头部特征信息。这样，将选取的样本的样本人脸图像输入初始模型，便可以得到样本的脸部特征信息和头部特征信息。之后，根据样本脸部特征信息和样本头部特征信息，可以分别确定脸部特征损失值和头部特征损失值。接着，根据预设的脸部权重和头部权重，可以将样本的脸部特征损失值与样本的头部特征损失值的加权结果作为样本的总损失值，并可以将样本的总损失值与目标值进行比较。最后，可以根据比较结果来确定初始模型是否训练完成。如果确定初始模型训练完成，就可以将训练完成的初始模型作为人脸检测模型。从而能够得到一种可以用于人脸检测的模型。且有助于丰富模型的生成方式。

继续参见图4，作为对上述各图所示方法的实现，本申请提供了一种用于生成人脸检测模型的装置的一个实施例。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，本实施例的用于生成人脸检测模型的装置400可以包括：获取单元401，配置用于获取样本集，其中，样本集中的样本包括样本人脸图像以及与样本人脸图像对应的样本脸部特征信息和样本头部特征信息；训练单元402，配置用于从样本集中选取样本，以及执行以下训练步骤：将选取的样本的样本人脸图像输入初始模型，得到样本的脸部特征信息和头部特征信息；将得到的脸部特征信息与对应的样本脸部特征信息进行分析，确定脸部特征损失值；将得到的头部特征信息与对应的样本头部特征信息进行分析，确定头部特征损失值；根据预设的脸部权重和头部权重，将样本的脸部特征损失值与样本的头部特征损失值的加权结果作为样本的总损失值，以及将样本的总损失值与目标值进行比较；根据比较结果确定初始模型是否训练完成；响应于确定初始模型训练完成，将初始模型作为人脸检测模型。

在本实施例的一些可选的实现方式中，该装置400还可以包括权重获取单元(图4中未示出)，配置用于：检测样本人脸图像中的五官和/或脸部区域的肤色面积；根据检测结果确定脸部的遮挡比例；基于遮挡比例，调整预设的初始脸部权重和初始头部权重，分别得到脸部权重和头部权重，其中，脸部权重与遮挡比例负相关，且头部权重与遮挡比例正相关。

进一步地，当遮挡比例小于预设比例值时，脸部权重为权重范围的最大值，且头部权重为权重范围的最小值。

可选地，该装置400还可以包括：调整单元403，配置用于响应于确定初始模型未训练完成，调整初始模型中的相关参数，以及从样本集中重新选取样本，继续执行训练步骤。

可以理解的是，该装置400中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置400及其中包含的单元，在此不再赘述。

请参见图5，其示出了本申请提供的用于检测人脸的方法的一个实施例的流程500。该用于检测人脸的方法可以包括以下步骤：

步骤501，获取检测对象的人脸图像。

在本实施例中，用于检测人脸的方法的执行主体(例如图1所示的服务器105)可以通过多种方式来获取检测对象的人脸图像。例如，执行主体可以通过有线连接方式或无线连接方式，从数据库服务器(例如图1所示的数据库服务器104)中获取存储于其中的人脸图像。再例如，执行主体也可以接收终端(例如图1所示的终端101、102)或其他设备采集的人脸图像。

在本实施例中，检测对象可以是任意用户，例如使用终端的用户，或者出现在图像采集范围内的其他用户等。人脸图像同样可以是彩色图像和/或灰度图像等等。且该人脸图像的格式在本申请中也不限制。

步骤502，将人脸图像输入人脸检测模型中，生成检测对象的人脸检测结果。

在本实施例中，执行主体可以将步骤501中获取的人脸图像输入人脸检测模型中，从而生成检测对象的人脸检测结果。人脸检测结果可以是用于描述图像中人脸的信息。例如人脸检测结果可以包括是否在图像中检测到人脸，以及在检测到人脸情况下的脸部特征信息等。

在本实施例中，人脸检测模型可以是采用如上述图2实施例所描述的方法而生成的。具体生成过程可以参见图2实施例的相关描述，在此不再赘述。

需要说明的是，本实施例用于检测人脸的方法可以用于测试上述各实施例所生成的人脸检测模型。进而根据测试结果可以不断地优化人脸检测模型。该方法也可以是上述各实施例所生成的人脸检测模型的实际应用方法。采用上述各实施例所生成的人脸检测模型，来进行人脸检测，有助于提高人脸检测的性能。如找到的人脸较多，找到的人脸信息比较准确等。

继续参见图6，作为对上述图5所示方法的实现，本申请提供了一种用于检测人脸的装置的一个实施例。该装置实施例与图5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6所示，本实施例的用于检测人脸的装置600可以包括：获取单元601，配置用于获取检测对象的人脸图像；生成单元602，配置用于将人脸图像输入采用如上述图2实施例所描述的方法生成的人脸检测模型中，生成检测对象的人脸检测结果。

可以理解的是，该装置600中记载的诸单元与参考图5描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置600及其中包含的单元，在此不再赘述。

下面参见图7，其示出了适于用来实现本申请实施例的电子设备的计算机系统700的结构示意图。图7示出的电子设备仅仅是一个示例，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7所示，计算机系统700包括中央处理单元(CPU)701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中，还存储有系统700操作所需的各种程序和数据。CPU 701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。

以下部件连接至I/O接口705：包括触摸屏、键盘、鼠标、摄像装置等的输入部分706；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707；包括硬盘等的存储部分708；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709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711，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710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708。

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709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)701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和训练单元。再例如，也可以描述为：一种处理器包括获取单元和生成单元。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“获取样本集的单元”。

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电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。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电子设备执行时，使得该电子设备：获取样本集，其中，样本集中的样本包括样本人脸图像以及与样本人脸图像对应的样本脸部特征信息和样本头部特征信息；从样本集中选取样本，以及执行以下训练步骤：将选取的样本的样本人脸图像输入初始模型，得到样本的脸部特征信息和头部特征信息；将得到的脸部特征信息与对应的样本脸部特征信息进行分析，确定脸部特征损失值；将得到的头部特征信息与对应的样本头部特征信息进行分析，确定头部特征损失值；根据预设的脸部权重和头部权重，将样本的脸部特征损失值与样本的头部特征损失值的加权结果作为样本的总损失值，以及将样本的总损失值与目标值进行比较；根据比较结果确定初始模型是否训练完成；响应于确定初始模型训练完成，将初始模型作为人脸检测模型。

此外，当上述一个或者多个程序被该电子设备执行时，还可以使得该电子设备：获取检测对象的人脸图像；将人脸图像输入人脸检测模型中，生成检测对象的人脸检测结果。其中，人脸检测模型可以是采用如上述各实施例所描述的用于生成人脸检测模型的方法而生成的。

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。

Claims (12)

1.一种用于生成人脸检测模型的方法，包括：

获取样本集，其中，所述样本集中的样本包括样本人脸图像以及与样本人脸图像对应的样本脸部特征信息和样本头部特征信息；

从所述样本集中选取样本，以及执行以下训练步骤：将选取的样本的样本人脸图像输入初始模型，得到样本的脸部特征信息和头部特征信息；将得到的脸部特征信息与对应的样本脸部特征信息进行分析，确定脸部特征损失值；将得到的头部特征信息与对应的样本头部特征信息进行分析，确定头部特征损失值；根据预设的脸部权重和头部权重，将样本的脸部特征损失值与样本的头部特征损失值的加权结果作为样本的总损失值，以及将样本的总损失值与目标值进行比较；根据比较结果确定所述初始模型是否训练完成；响应于确定所述初始模型训练完成，将所述初始模型作为人脸检测模型，其中，所述预设的脸部权重不小于所述头部权重，所述预设的脸部权重和头部权重通过所述样本人脸图像中脸部区域的遮挡比例来确定，且所述脸部权重与所述遮挡比例负相关，所述头部权重与所述遮挡比例正相关。

2.根据权利要求1所述的方法，其中，所述预设的脸部权重和头部权重通过所述样本人脸图像中脸部区域的遮挡比例来确定，包括：

检测样本人脸图像中的五官和/或脸部区域的肤色面积；

根据检测结果确定脸部的遮挡比例；

基于所述遮挡比例，调整预设的初始脸部权重和初始头部权重，分别得到脸部权重和头部权重。

3.根据权利要求2所述的方法，其中，当所述遮挡比例小于预设比例值时，脸部权重为权重范围的最大值，且头部权重为权重范围的最小值。

4.根据权利要求1-3之一所述的方法，其中，所述方法还包括：

响应于确定所述初始模型未训练完成，调整所述初始模型中的相关参数，以及从所述样本集中重新选取样本，继续执行所述训练步骤。

5.一种用于生成人脸检测模型的装置，包括：

获取单元，配置用于获取样本集，其中，所述样本集中的样本包括样本人脸图像以及与样本人脸图像对应的样本脸部特征信息和样本头部特征信息；

训练单元，配置用于从所述样本集中选取样本，以及执行以下训练步骤：将选取的样本的样本人脸图像输入初始模型，得到样本的脸部特征信息和头部特征信息；将得到的脸部特征信息与对应的样本脸部特征信息进行分析，确定脸部特征损失值；将得到的头部特征信息与对应的样本头部特征信息进行分析，确定头部特征损失值；根据预设的脸部权重和头部权重，将样本的脸部特征损失值与样本的头部特征损失值的加权结果作为样本的总损失值，以及将样本的总损失值与目标值进行比较；根据比较结果确定所述初始模型是否训练完成；响应于确定所述初始模型训练完成，将所述初始模型作为人脸检测模型，其中，所述预设的脸部权重不小于所述头部权重，所述预设的脸部权重和头部权重通过所述样本人脸图像中脸部区域的遮挡比例来确定，且所述脸部权重与所述遮挡比例负相关，所述头部权重与所述遮挡比例正相关。

6.根据权利要求5所述的装置，其中，所述装置还包括权重获取单元，配置用于：

检测样本人脸图像中的五官和/或脸部区域的肤色面积；

根据检测结果确定脸部的遮挡比例；

基于所述遮挡比例，调整预设的初始脸部权重和初始头部权重，分别得到脸部权重和头部权重。

7.根据权利要求6所述的装置，其中，当所述遮挡比例小于预设比例值时，脸部权重为权重范围的最大值，且头部权重为权重范围的最小值。

8.根据权利要求5-7之一所述的装置，其中，所述装置还包括：

调整单元，配置用于响应于确定所述初始模型未训练完成，调整所述初始模型中的相关参数，以及从所述样本集中重新选取样本，继续执行所述训练步骤。

9.一种用于检测人脸的方法，包括：

获取检测对象的人脸图像；

将所述人脸图像输入采用如权利要求1-4之一所述的方法生成的人脸检测模型中，生成所述检测对象的人脸检测结果。

10.一种用于检测人脸的装置，包括：

获取单元，配置用于获取检测对象的人脸图像；

生成单元，配置用于将所述人脸图像输入采用如权利要求1-4之一所述的方法生成的人脸检测模型中，生成所述检测对象的人脸检测结果。

11.一种电子设备，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；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-4、9中任一所述的方法。

12.一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1-4、9中任一所述的方法。

Images