CN113887300A - 目标、人脸、人脸关键点检测方法、装置及存储介质 - Google Patents
目标、人脸、人脸关键点检测方法、装置及存储介质 Download PDFInfo
- Publication number
- CN113887300A CN113887300A CN202111016053.9A CN202111016053A CN113887300A CN 113887300 A CN113887300 A CN 113887300A CN 202111016053 A CN202111016053 A CN 202111016053A CN 113887300 A CN113887300 A CN 113887300A
- Authority
- CN
- China
- Prior art keywords
- convolutional
- neural network
- training
- convolutional neural
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种目标、人脸、人脸关键点检测方法、装置及存储介质，其中目标检测方法包括：获取训练得到的卷积神经网络，在至少一级卷积层上，使用卷积层上的卷积核对待检测图像进行卷积操作，得到待检测图像在卷积层上的特征图像，使用训练得到的卷积神经网络中的目标预测模块对特征图像进行目标检测，输出目标检测结果。其中，训练得到的卷积神经网络是对原始的卷积神经网络进行训练得到的，其中，原始的卷积神经网络包括并联设置的至少两级子卷积层，训练得到的卷积神经网络包括至少一级卷积层，卷积层上的卷积核是将并联设置的至少两级子卷积层上的子卷积核相加得到的。本发明技术方案能够有效提升目标检测效率。
Description
技术领域
本发明涉及计算机处理技术领域，尤其涉及一种目标、人脸、人脸关键点检测方法、装置及存储介质。
背景技术
目标检测是计算机视觉领域中一个基础性的研究课题，其在人脸识别、安全监控以及动态追踪等很多方面都有广泛的应用前景。目标检测是指对于任意一幅给定的图像，检测和识别其中特定的目标，并返回目标的位置、大小信息。
基于卷积神经网络(CNN)的目标检测方法是当前较为先进的目标检测方法。CNN包括多级卷积层及其后的目标检测模块，卷积层用于从图像中提取特征图像，目标检测模块用于利用该特征图像进行目标检测及识别。
如何提升基于卷积神经网络的目标检测效率，是业界普遍考虑的课题。
发明内容
本发明提供一种目标、人脸、人脸关键点检测方法、装置及存储介质，用以解决现有技术中目标检测效率低的缺陷，实现高效的目标检测效率。
本发明提供一种目标检测方法，该方法包括：
获取训练得到的卷积神经网络，所述训练得到的卷积神经网络是对原始的卷积神经网络进行训练得到的，其中，原始的卷积神经网络包括并联设置的至少两级子卷积层，所述训练得到的卷积神经网络包括至少一级卷积层，所述卷积层上的卷积核是将所述并联设置的至少两级子卷积层上的子卷积核相加得到的；
在所述至少一级卷积层上，使用所述卷积层上的卷积核对待检测图像进行卷积操作，得到所述待检测图像在所述卷积层上的特征图像；
使用所述训练得到的卷积神经网络中的目标预测模块对所述特征图像进行目标检测，输出目标检测结果。
根据本发明提供的目标检测方法，所述目标检测模块为人脸检测模块或人脸关键点检测模块；其中，所述目标检测模块是通过如下方式训练得到的：
获得原始的卷积数据网络，所述原始的卷积神经网络还包括并列设置的人脸检测分支模型和人脸关键点检测分支模型；
在获得利用所述至少两级子卷积层对训练图像进行卷积操作得到的特征图像的情况下，利用所述训练图像的特征图像训练所述人脸检测分支模型和人脸关键点检测分支模型；
对训练得到的所述人脸检测分支模型和人脸关键点检测分支模删除其中之一，剩余所述目标检测模块。
本发明还提供一种人脸检测方法，该方法包括：
获取训练得到的卷积神经网络，所述训练得到的卷积神经网络是对原始的卷积神经网络进行训练得到的，其中，原始的卷积神经网络包括并联设置的至少两级子卷积层，所述训练得到的卷积神经网络包括至少一级卷积层，所述卷积层上的卷积核是将所述并联设置的至少两级子卷积层上的子卷积核相加得到的；
在所述至少一级卷积层上，使用所述卷积层上的卷积核对待检测图像进行卷积操作，得到所述待检测图像在所述卷积层上的特征图像；
使用所述训练得到的卷积神经网络中的人脸检测模块对所述特征图像进行人脸检测，输出人脸检测结果。
本发明还提供一种人脸关键点检测方法，该方法包括：
获取训练得到的卷积神经网络，所述训练得到的卷积神经网络是对原始的卷积神经网络进行训练得到的，其中，原始的卷积神经网络包括并联设置的至少两级子卷积层，所述训练得到的卷积神经网络包括至少一级卷积层，所述卷积层上的卷积核是将所述并联设置的至少两级子卷积层上的子卷积核相加得到的；
在所述至少一级卷积层上，使用所述卷积层上的卷积核对待检测图像进行卷积操作，得到所述待检测图像在所述卷积层上的特征图像；
使用所述训练得到的卷积神经网络中的人脸关键点检测模块对所述特征图像进行人脸关键点检测，输出人脸关键点检测结果。
本发明还提供一种目标检测装置，该装置包括：
第一获取模块，获取训练得到的卷积神经网络，所述训练得到的卷积神经网络是对原始的卷积神经网络进行训练得到的，其中，原始的卷积神经网络包括并联设置的至少两级子卷积层，所述训练得到的卷积神经网络包括至少一级卷积层，所述卷积层上的卷积核是将所述并联设置的至少两级子卷积层上的子卷积核相加得到的；
第一卷积操作模块，在所述至少一级卷积层上，使用所述卷积层上的卷积核对待检测图像进行卷积操作，得到所述待检测图像在所述卷积层上的特征图像；
目标检测模块，使用所述训练得到的卷积神经网络中的目标预测模块对所述特征图像进行目标检测，输出目标检测结果。
本发明还提供一种人脸检测装置，该装置包括：
第二获取模块，获取训练得到的卷积神经网络，所述训练得到的卷积神经网络是对原始的卷积神经网络进行训练得到的，其中，原始的卷积神经网络包括并联设置的至少两级子卷积层，所述训练得到的卷积神经网络包括至少一级卷积层，所述卷积层上的卷积核是将所述并联设置的至少两级子卷积层上的子卷积核相加得到的；
第二卷积操作模块，在所述至少一级卷积层上，使用所述卷积层上的卷积核对待检测图像进行卷积操作，得到所述待检测图像在所述卷积层上的特征图像；
人脸检测模块，使用所述训练得到的卷积神经网络中的人脸检测模块对所述特征图像进行人脸检测，输出人脸检测结果。
本发明还提供一种人脸关键点检测装置，该装置包括：
第三获取模块，获取训练得到的卷积神经网络，所述训练得到的卷积神经网络是对原始的卷积神经网络进行训练得到的，其中，原始的卷积神经网络包括并联设置的至少两级子卷积层，所述训练得到的卷积神经网络包括至少一级卷积层，所述卷积层上的卷积核是将所述并联设置的至少两级子卷积层上的子卷积核相加得到的；
第三卷积操作模块，在所述至少一级卷积层上，使用所述卷积层上的卷积核对待检测图像进行卷积操作，得到所述待检测图像在所述卷积层上的特征图像；
人脸关键点检测模块，使用所述训练得到的卷积神经网络中的人脸关键点检测模块对所述特征图像进行人脸关键点检测，输出人脸关键点检测结果。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述目标检测方法、人脸检测方法或人脸关键点检测方法的步骤。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述目标检测方法、人脸检测方法或人脸关键点检测方法方法的步骤。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述目标检测方法、人脸检测方法或人脸关键点检测方法的步骤。
本发明提供的目标、人脸、人脸关键点检测方法、装置及存储介质，其中目标检测方法包括：获取训练得到的卷积神经网络，在所述至少一级卷积层上，使用所述卷积层上的卷积核对待检测图像进行卷积操作，得到所述待检测图像在所述卷积层上的特征图像，使用所述训练得到的卷积神经网络中的目标预测模块对所述特征图像进行目标检测，输出目标检测结果。
其中，训练得到的卷积神经网络是对原始的卷积神经网络进行训练得到的，其中，原始的卷积神经网络包括并联设置的至少两级子卷积层，所述训练得到的卷积神经网络包括至少一级卷积层，所述卷积层上的卷积核是将所述并联设置的至少两级子卷积层上的子卷积核相加得到的。
使用本发明技术方案，在卷积神经网络训练过程中，同时对多个并联设置的子卷积层中的子卷积核进行训练，然后将该多个并列设置的子卷积层的子卷积核相加得到实际应用中的卷积核。这样在实际目标检测过程中，该卷积核只需要计算一次，省去多个子卷积核进行多次卷积计算的步骤。同时，由于卷积核是由多个训练得到的子卷积核相加得到的，因此，该卷积核包括子卷积核的所有参数，一次计算过程不会影响到目标检测精确度，在保证目标检测精确度的同时，有效提升目标检测效率。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的目标检测方法的流程示意图；
图2是本发明提供的卷积神经网络训练方法的流程示意图；
图3是本发明提供的人脸检测方法的流程示意图；
图4是本发明提供的人脸关键点检测方法的流程示意图；
图5是本发明提供的目标检测装置的结构示意图；
图6是本发明提供的人脸检测装置的结构示意图；
图7是本发明提供的人脸关键点检测装置的结构示意图；
图8是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面结合图1-图4描述本发明的目标检测方法。本方法的执行主体为目标检测***、或部署该目标检测***的终端。
参照图1，本方法包括如下步骤：
步骤110：获取训练得到的卷积神经网络，所述训练得到的卷积神经网络是对原始的卷积神经网络进行训练得到的，其中，原始的卷积神经网络包括并联设置的至少两级子卷积层，所述训练得到的卷积神经网络包括至少一级卷积层，所述卷积层上的卷积核是将所述并联设置的至少两级子卷积层上的子卷积核相加得到的；
步骤120：在所述至少一级卷积层上，使用所述卷积层上的卷积核对待检测图像进行卷积操作，得到所述待检测图像在所述卷积层上的特征图像；
步骤130：使用所述训练得到的卷积神经网络中的目标预测模块对所述特征图像进行目标检测，输出目标检测结果。
使用本发明技术方案，在卷积神经网络训练过程中，同时对多个并联设置的子卷积层中的子卷积核进行训练，然后将该多个并列设置的子卷积层的子卷积核相加得到实际应用中的卷积核。这样在实际目标检测过程中，该卷积核只需要计算一次，省去多个子卷积核进行多次卷积计算的步骤。同时，由于卷积核是由多个训练得到的子卷积核相加得到的，因此，该卷积核包括子卷积核的所有参数，一次计算过程不会影响到目标检测精确度，在保证目标检测精确度的同时，有效提升目标检测效率。
在发明实施例中，将并联设置的至少两级子卷积层上的子卷积核相加是指，将该至少两个子卷积核的中心参数对准，并将所有对准的参数相加。
如，其中一个子卷积核设置为5×5，具体显示如下：
| a0 | a1 | a2 | a3 | a4 |
| a0 | a1 | a2 | a3 | a4 |
| a0 | a1 | a2 | a3 | a4 |
| a0 | a1 | a2 | a3 | a4 |
| a0 | a1 | a2 | a3 | a4 |
另一个子卷积核设置为3×3，具体显示如下：
| b0 | b1 | b2 |
| b0 | b1 | b2 |
| b0 | b1 | b2 |
这两个子卷积核相加后得到的卷积核为5×5，显示如下：
| a0 | a1 | a2 | a3 | a4 |
| a0 | a1+b0 | a2+b1 | a3+b2 | a4 |
| a0 | a1+b0 | a2+b1 | a3+b2 | a4 |
| a0 | a1+b0 | a2+b1 | a3+b2 | a4 |
| a0 | a1 | a2 | a3 | a4 |
在本实施例中，目标检测模块为人脸检测模块或人脸关键点检测模块。参考图2，目标检测模块是通过如下步骤训练得到的：
步骤210：获得原始的卷积数据网络，所述原始的卷积神经网络还包括并列设置的人脸检测分支模型和人脸关键点检测分支模型；
步骤220：在获得利用所述至少两级子卷积层对训练图像进行卷积操作得到的特征图像的情况下，利用所述训练图像的特征图像训练所述人脸检测分支模型和人脸关键点检测分支模型；
步骤230：对训练得到的所述人脸检测分支模型和人脸关键点检测分支模删除其中之一，剩余所述目标检测模块。
本实施例使用多任务联合训练技术，同时训练人脸检测分支模型和人脸关键点检测分支模型，部署时去掉人脸关键点检测分支模型或人脸检测分支模型，保留其中之一。
多任务联合训练技术，这两个分支模型共用前面的卷积层，两个分支模型相互影响，任意一支分支模型可以提升另一支分支模型的精确度，从而提升每一支分支模型的推理速度，提升分支模型精度。
参考图3，本发明实施例提供的人脸检测方法包括如下步骤：
步骤310：获取训练得到的卷积神经网络，所述训练得到的卷积神经网络是对原始的卷积神经网络进行训练得到的，其中，原始的卷积神经网络包括并联设置的至少两级子卷积层，所述训练得到的卷积神经网络包括至少一级卷积层，所述卷积层上的卷积核是将所述并联设置的至少两级子卷积层上的子卷积核相加得到的；
步骤320：在所述至少一级卷积层上，使用所述卷积层上的卷积核对待检测图像进行卷积操作，得到所述待检测图像在所述卷积层上的特征图像；
步骤330：使用所述训练得到的卷积神经网络中的人脸检测模块对所述特征图像进行人脸检测，输出人脸检测结果。
参考图4，本实施例提供的人脸关键点检测方法包括如下步骤：
步骤410：获取训练得到的卷积神经网络，所述训练得到的卷积神经网络是对原始的卷积神经网络进行训练得到的，其中，原始的卷积神经网络包括并联设置的至少两级子卷积层，所述训练得到的卷积神经网络包括至少一级卷积层，所述卷积层上的卷积核是将所述并联设置的至少两级子卷积层上的子卷积核相加得到的；
步骤420：在所述至少一级卷积层上，使用所述卷积层上的卷积核对待检测图像进行卷积操作，得到所述待检测图像在所述卷积层上的特征图像；
步骤430：使用训练得到的卷积神经网络中的人脸关键点检测模块对所述特征图像进行人脸关键点检测，输出人脸关键点检测结果。
如上图1至4各实施例技术方案可以用于自动驾驶场景下的道路目标检测、或驾驶舱内驾驶员人脸检测或人脸关键点检测。
下面对本发明提供的目标检测装置进行描述，下文描述的目标检测装置与上文描述的目标检测方法可相互对应参照。
参考图5，本发明实施例提供的目标检测装置包括：
第一获取模块510，获取训练得到的卷积神经网络，所述训练得到的卷积神经网络是对原始的卷积神经网络进行训练得到的，其中，原始的卷积神经网络包括并联设置的至少两级子卷积层，所述训练得到的卷积神经网络包括至少一级卷积层，所述卷积层上的卷积核是将所述并联设置的至少两级子卷积层上的子卷积核相加得到的；
第一卷积操作模块520，在所述至少一级卷积层上，使用所述卷积层上的卷积核对待检测图像进行卷积操作，得到所述待检测图像在所述卷积层上的特征图像；
目标检测模块530，使用所述训练得到的卷积神经网络中的目标预测模块对所述特征图像进行目标检测，输出目标检测结果。
下面对本发明提供的人脸检测装置进行描述，下文描述的人脸检测装置与上文描述的人脸检测方法可相互对应参照。
参考图6，本发明实施例提供的人脸检测装置包括：
第二获取模块610，获取训练得到的卷积神经网络，所述训练得到的卷积神经网络是对原始的卷积神经网络进行训练得到的，其中，原始的卷积神经网络包括并联设置的至少两级子卷积层，所述训练得到的卷积神经网络包括至少一级卷积层，所述卷积层上的卷积核是将所述并联设置的至少两级子卷积层上的子卷积核相加得到的；
第二卷积操作模块620，在所述至少一级卷积层上，使用所述卷积层上的卷积核对待检测图像进行卷积操作，得到所述待检测图像在所述卷积层上的特征图像；
人脸检测模块630，使用所述训练得到的卷积神经网络中的人脸检测模块对所述特征图像进行人脸检测，输出人脸检测结果。
下面对本发明提供的人脸关键点检测装置进行描述，下文描述的人脸关键点检测装置与上文描述的人脸关键点检测方法可相互对应参照。
参考图7，本发明实施例提供的人脸关键点检测装置包括：
第三获取模块710，获取训练得到的卷积神经网络，所述训练得到的卷积神经网络是对原始的卷积神经网络进行训练得到的，其中，原始的卷积神经网络包括并联设置的至少两级子卷积层，所述训练得到的卷积神经网络包括至少一级卷积层，所述卷积层上的卷积核是将所述并联设置的至少两级子卷积层上的子卷积核相加得到的；
第三卷积操作模块720，在所述至少一级卷积层上，使用所述卷积层上的卷积核对待检测图像进行卷积操作，得到所述待检测图像在所述卷积层上的特征图像；
人脸关键点检测模块730，使用所述训练得到的卷积神经网络中的人脸关键点检测模块对所述特征图像进行人脸关键点检测，输出人脸关键点检测结果。
图8示例了一种电子设备的实体结构示意图，如图8所示，该电子设备可以包括：处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840，其中，处理器810，通信接口820，存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令，以执行目标检测方法，该方法包括：
获取训练得到的卷积神经网络，所述训练得到的卷积神经网络是对原始的卷积神经网络进行训练得到的，其中，原始的卷积神经网络包括并联设置的至少两级子卷积层，所述训练得到的卷积神经网络包括至少一级卷积层，所述卷积层上的卷积核是将所述并联设置的至少两级子卷积层上的子卷积核相加得到的；
在所述至少一级卷积层上，使用所述卷积层上的卷积核对待检测图像进行卷积操作，得到所述待检测图像在所述卷积层上的特征图像；
使用所述训练得到的卷积神经网络中的目标预测模块对所述特征图像进行目标检测，输出目标检测结果；
或者，处理器810可以调用存储器830中的逻辑指令，以执行人脸检测方法，该方法包括：
获取训练得到的卷积神经网络，所述训练得到的卷积神经网络是对原始的卷积神经网络进行训练得到的，其中，原始的卷积神经网络包括并联设置的至少两级子卷积层，所述训练得到的卷积神经网络包括至少一级卷积层，所述卷积层上的卷积核是将所述并联设置的至少两级子卷积层上的子卷积核相加得到的；
在所述至少一级卷积层上，使用所述卷积层上的卷积核对待检测图像进行卷积操作，得到所述待检测图像在所述卷积层上的特征图像；
使用所述训练得到的卷积神经网络中的人脸检测模块对所述特征图像进行人脸检测，输出人脸检测结果。
或者，处理器810可以调用存储器830中的逻辑指令，以执行人脸关键点检测方法，该方法包括：
获取训练得到的卷积神经网络，所述训练得到的卷积神经网络是对原始的卷积神经网络进行训练得到的，其中，原始的卷积神经网络包括并联设置的至少两级子卷积层，所述训练得到的卷积神经网络包括至少一级卷积层，所述卷积层上的卷积核是将所述并联设置的至少两级子卷积层上的子卷积核相加得到的；
在所述至少一级卷积层上，使用所述卷积层上的卷积核对待检测图像进行卷积操作，得到所述待检测图像在所述卷积层上的特征图像；
使用所述训练得到的卷积神经网络中的人脸关键点检测模块对所述特征图像进行人脸关键点检测，输出人脸关键点检测结果。
此外，上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的目标检测方法，该方法包括：
获取训练得到的卷积神经网络，所述训练得到的卷积神经网络是对原始的卷积神经网络进行训练得到的，其中，原始的卷积神经网络包括并联设置的至少两级子卷积层，所述训练得到的卷积神经网络包括至少一级卷积层，所述卷积层上的卷积核是将所述并联设置的至少两级子卷积层上的子卷积核相加得到的；
在所述至少一级卷积层上，使用所述卷积层上的卷积核对待检测图像进行卷积操作，得到所述待检测图像在所述卷积层上的特征图像；
使用所述训练得到的卷积神经网络中的目标预测模块对所述特征图像进行目标检测，输出目标检测结果；
或者，计算机能够执行上述各方法所提供的人脸检测方法，该方法包括：
获取训练得到的卷积神经网络，所述训练得到的卷积神经网络是对原始的卷积神经网络进行训练得到的，其中，原始的卷积神经网络包括并联设置的至少两级子卷积层，所述训练得到的卷积神经网络包括至少一级卷积层，所述卷积层上的卷积核是将所述并联设置的至少两级子卷积层上的子卷积核相加得到的；
在所述至少一级卷积层上，使用所述卷积层上的卷积核对待检测图像进行卷积操作，得到所述待检测图像在所述卷积层上的特征图像；
使用所述训练得到的卷积神经网络中的人脸检测模块对所述特征图像进行人脸检测，输出人脸检测结果。
或者，计算机能够执行上述各方法所提供的人脸关键点检测方法，该方法包括：
获取训练得到的卷积神经网络，所述训练得到的卷积神经网络是对原始的卷积神经网络进行训练得到的，其中，原始的卷积神经网络包括并联设置的至少两级子卷积层，所述训练得到的卷积神经网络包括至少一级卷积层，所述卷积层上的卷积核是将所述并联设置的至少两级子卷积层上的子卷积核相加得到的；
在所述至少一级卷积层上，使用所述卷积层上的卷积核对待检测图像进行卷积操作，得到所述待检测图像在所述卷积层上的特征图像；
使用所述训练得到的卷积神经网络中的人脸关键点检测模块对所述特征图像进行人脸关键点检测，输出人脸关键点检测结果。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的目标检测方法，该方法包括：
获取训练得到的卷积神经网络，所述训练得到的卷积神经网络是对原始的卷积神经网络进行训练得到的，其中，原始的卷积神经网络包括并联设置的至少两级子卷积层，所述训练得到的卷积神经网络包括至少一级卷积层，所述卷积层上的卷积核是将所述并联设置的至少两级子卷积层上的子卷积核相加得到的；
在所述至少一级卷积层上，使用所述卷积层上的卷积核对待检测图像进行卷积操作，得到所述待检测图像在所述卷积层上的特征图像；
使用所述训练得到的卷积神经网络中的目标预测模块对所述特征图像进行目标检测，输出目标检测结果；
或者，该计算机程序被处理器执行时实现以执行上述各方法提供的人脸检测方法，该方法包括：
获取训练得到的卷积神经网络，所述训练得到的卷积神经网络是对原始的卷积神经网络进行训练得到的，其中，原始的卷积神经网络包括并联设置的至少两级子卷积层，所述训练得到的卷积神经网络包括至少一级卷积层，所述卷积层上的卷积核是将所述并联设置的至少两级子卷积层上的子卷积核相加得到的；
在所述至少一级卷积层上，使用所述卷积层上的卷积核对待检测图像进行卷积操作，得到所述待检测图像在所述卷积层上的特征图像；
使用所述训练得到的卷积神经网络中的人脸检测模块对所述特征图像进行人脸检测，输出人脸检测结果。
或者，该计算机程序被处理器执行时实现以执行上述各方法提供的人脸关键点检测方法，该方法包括：
获取训练得到的卷积神经网络，所述训练得到的卷积神经网络是对原始的卷积神经网络进行训练得到的，其中，原始的卷积神经网络包括并联设置的至少两级子卷积层，所述训练得到的卷积神经网络包括至少一级卷积层，所述卷积层上的卷积核是将所述并联设置的至少两级子卷积层上的子卷积核相加得到的；
在所述至少一级卷积层上，使用所述卷积层上的卷积核对待检测图像进行卷积操作，得到所述待检测图像在所述卷积层上的特征图像；
使用所述训练得到的卷积神经网络中的人脸关键点检测模块对所述特征图像进行人脸关键点检测，输出人脸关键点检测结果。
以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种目标检测方法，其特征在于，包括：
获取训练得到的卷积神经网络，所述训练得到的卷积神经网络是对原始的卷积神经网络进行训练得到的，其中，原始的卷积神经网络包括并联设置的至少两级子卷积层，所述训练得到的卷积神经网络包括至少一级卷积层，所述卷积层上的卷积核是将所述并联设置的至少两级子卷积层上的子卷积核相加得到的；
在所述至少一级卷积层上，使用所述卷积层上的卷积核对待检测图像进行卷积操作，得到所述待检测图像在所述卷积层上的特征图像；
使用所述训练得到的卷积神经网络中的目标预测模块对所述特征图像进行目标检测，输出目标检测结果。
2.根据权利要求1所述的目标检测方法，其特征在于，所述目标检测模块为人脸检测模块或人脸关键点检测模块；其中，所述目标检测模块是通过如下方式训练得到的：
获得原始的卷积数据网络，所述原始的卷积神经网络还包括并列设置的人脸检测分支模型和人脸关键点检测分支模型；
在获得利用所述至少两级子卷积层对训练图像进行卷积操作得到的特征图像的情况下，利用所述训练图像的特征图像训练所述人脸检测分支模型和人脸关键点检测分支模型；
对训练得到的所述人脸检测分支模型和人脸关键点检测分支模删除其中之一，剩余所述目标检测模块。
3.一种人脸检测方法，其特征在于，包括：
获取训练得到的卷积神经网络，所述训练得到的卷积神经网络是对原始的卷积神经网络进行训练得到的，其中，原始的卷积神经网络包括并联设置的至少两级子卷积层，所述训练得到的卷积神经网络包括至少一级卷积层，所述卷积层上的卷积核是将所述并联设置的至少两级子卷积层上的子卷积核相加得到的；
在所述至少一级卷积层上，使用所述卷积层上的卷积核对待检测图像进行卷积操作，得到所述待检测图像在所述卷积层上的特征图像；
使用所述训练得到的卷积神经网络中的人脸检测模块对所述特征图像进行人脸检测，输出人脸检测结果。
4.一种人脸关键点检测方法，其特征在于，包括：
获取训练得到的卷积神经网络，所述训练得到的卷积神经网络是对原始的卷积神经网络进行训练得到的，其中，原始的卷积神经网络包括并联设置的至少两级子卷积层，所述训练得到的卷积神经网络包括至少一级卷积层，所述卷积层上的卷积核是将所述并联设置的至少两级子卷积层上的子卷积核相加得到的；
在所述至少一级卷积层上，使用所述卷积层上的卷积核对待检测图像进行卷积操作，得到所述待检测图像在所述卷积层上的特征图像；
使用所述训练得到的卷积神经网络中的人脸关键点检测模块对所述特征图像进行人脸关键点检测，输出人脸关键点检测结果。
5.一种目标检测装置，其特征在于，包括：
第一获取模块，获取训练得到的卷积神经网络，所述训练得到的卷积神经网络是对原始的卷积神经网络进行训练得到的，其中，原始的卷积神经网络包括并联设置的至少两级子卷积层，所述训练得到的卷积神经网络包括至少一级卷积层，所述卷积层上的卷积核是将所述并联设置的至少两级子卷积层上的子卷积核相加得到的；
第一卷积操作模块，在所述至少一级卷积层上，使用所述卷积层上的卷积核对待检测图像进行卷积操作，得到所述待检测图像在所述卷积层上的特征图像；
目标检测模块，使用所述训练得到的卷积神经网络中的目标预测模块对所述特征图像进行目标检测，输出目标检测结果。
6.一种人脸检测装置，其特征在于，包括：
第二获取模块，获取训练得到的卷积神经网络，所述训练得到的卷积神经网络是对原始的卷积神经网络进行训练得到的，其中，原始的卷积神经网络包括并联设置的至少两级子卷积层，所述训练得到的卷积神经网络包括至少一级卷积层，所述卷积层上的卷积核是将所述并联设置的至少两级子卷积层上的子卷积核相加得到的；
第二卷积操作模块，在所述至少一级卷积层上，使用所述卷积层上的卷积核对待检测图像进行卷积操作，得到所述待检测图像在所述卷积层上的特征图像；
人脸检测模块，使用所述训练得到的卷积神经网络中的人脸检测模块对所述特征图像进行人脸检测，输出人脸检测结果。
7.一种人脸关键点检测装置，其特征在于，包括：
第三获取模块，获取训练得到的卷积神经网络，所述训练得到的卷积神经网络是对原始的卷积神经网络进行训练得到的，其中，原始的卷积神经网络包括并联设置的至少两级子卷积层，所述训练得到的卷积神经网络包括至少一级卷积层，所述卷积层上的卷积核是将所述并联设置的至少两级子卷积层上的子卷积核相加得到的；
第三卷积操作模块，在所述至少一级卷积层上，使用所述卷积层上的卷积核对待检测图像进行卷积操作，得到所述待检测图像在所述卷积层上的特征图像；
人脸关键点检测模块，使用所述训练得到的卷积神经网络中的人脸关键点检测模块对所述特征图像进行人脸关键点检测，输出人脸关键点检测结果。
8.一种电子设备，包括存储器、处理器及存储在所述存储器上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程序时实现如权利要求1至2任一项所述目标检测方法或权利要求3所述的人脸检测方法或权利要求4所述的人脸关键点检测方法的步骤。
9.一种非暂态计算机可读存储介质，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如权利要求1至2任一项所述目标检测方法或权利要求3所述的人脸检测方法或权利要求4所述的人脸关键点检测方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至2任一项所述目标检测方法或权利要求3所述的人脸检测方法或权利要求4所述的人脸关键点检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111016053.9A CN113887300A (zh) | 2021-08-31 | 2021-08-31 | 目标、人脸、人脸关键点检测方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111016053.9A CN113887300A (zh) | 2021-08-31 | 2021-08-31 | 目标、人脸、人脸关键点检测方法、装置及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113887300A true CN113887300A (zh) | 2022-01-04 |
Family
ID=79011513
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111016053.9A Pending CN113887300A (zh) | 2021-08-31 | 2021-08-31 | 目标、人脸、人脸关键点检测方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113887300A (zh) |
-
2021
- 2021-08-31 CN CN202111016053.9A patent/CN113887300A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110569844B (zh) | 基于深度学习的船舶识别方法及*** | |
| CN112906794A (zh) | 一种目标检测方法、装置、存储介质及终端 | |
| CN114266894A (zh) | 一种图像分割方法、装置、电子设备及存储介质 | |
| CN111178153A (zh) | 一种交通标志检测方法及*** | |
| CN113449538A (zh) | 视觉模型的训练方法、装置、设备及存储介质 | |
| CN116542926B (zh) | 电池的二维码缺陷识别方法、装置、设备及存储介质 | |
| CN111027670B (zh) | 特征图处理方法、装置、电子设备及存储介质 | |
| CN111523322A (zh) | 需求文档质量评价模型训练方法及需求文档质量评价方法 | |
| CN113887300A (zh) | 目标、人脸、人脸关键点检测方法、装置及存储介质 | |
| CN116188917A (zh) | 缺陷数据生成模型训练方法、缺陷数据生成方法及装置 | |
| CN113239738B (zh) | 一种图像的模糊检测方法及模糊检测装置 | |
| CN115346209A (zh) | 机动车三维目标检测方法、装置及计算机可读存储介质 | |
| CN114359572A (zh) | 多任务检测模型的训练方法、装置及终端设备 | |
| CN113840169A (zh) | 一种视频处理方法、装置、计算设备和存储介质 | |
| CN111259753A (zh) | 人脸关键点处理方法及装置 | |
| CN115034972B (zh) | 图像去噪方法、装置及设备 | |
| CN117612231B (zh) | 人脸检测方法、装置、电子设备和存储介质 | |
| CN116071625B (zh) | 深度学习模型的训练方法、目标检测方法及装置 | |
| CN116012811A (zh) | 目标检测方法及装置 | |
| CN118196893A (zh) | 用户运动特征的认知方法、***、电子设备及存储介质 | |
| CN113569844A (zh) | 一种车牌检测的方法及装置 | |
| CN106446902A (zh) | 非文字图像识别方法和装置 | |
| CN115661855A (zh) | 行人重识别模型的训练方法及行人重识别方法 | |
| CN113569727A (zh) | 遥感影像中施工场地的识别方法、***、终端及介质 | |
| CN118015404A (zh) | 一种视觉任务处理方法、装置、可读存储介质及终端设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |