人脸误检过滤的方法、系统、电子装置和存储介质

技术领域

本申请涉及人工智能领域，特别是涉及人脸误检过滤的方法、系统、电子装置和存储介质。

背景技术

人脸检测是指通过模型将输入图像分为人脸或非人脸，属于二分类问题，而误检指的是非人脸被认为是人脸。随着技术的发展，人脸检测方法也在不断的更新，然而不管是传统的方法还是基于深度学习的方法，人脸检测误检这一问题始终存在。

在相关技术中，一方面人脸检测方法使用的检测网络参数量大，导致无法应用到设备端，另一方面人脸检测方法使用的误检过滤方法较复杂，不易操作。

目前针对相关技术中，人脸检测使用的检测网络参数量大、误检过滤方法复杂的问题，尚未提出有效的解决方案。

发明内容

本申请实施例提供了人脸误检过滤的方法、系统、电子装置和存储介质，至少解决相关技术中人脸检测使用的检测网络参数量大，无法应用到设备端，以及误检过滤方法复杂的问题。

第一方面，本申请实施例提供了一种人脸误检过滤的方法，所述方法包括：

通过人脸关键点检测模型，检测出RGB图像中人脸关键点包括：左眼中心、右眼中心、鼻子中心、左嘴角和右嘴角；

获取所述鼻子中心到所述左眼中心的向量a的模为|a|，所述鼻子中心到所述右眼中心的向量b的模为|b|，所述鼻子中心到所述左嘴角的向量c的模为|c|，所述鼻子中心到所述右嘴角的向量d的模为|d|；

计算|a|与|b|的差，以及|c|与|d|的差，获得|a|-|b|和|c|-|d|的值；

通过分别比较所述|a|-|b|的值的绝对值和所述|c|-|d|的值的绝对值与预设阈值之间的大小，判断所述RGB图像的人脸检测结果。

在其中一些实施例中，所述判断所述RGB图像的人脸检测结果包括：

在所述|a|-|b|的值的绝对值和所述|c|-|d|的值的绝对值均小于所述预设阈值的情况下，检测结果为人脸。

在其中一些实施例中，所述人脸关键点检测模型包括：

利用改进后的shuffle-net网络对所述人脸关键点检测模型进行训练。

在其中一些实施例中，所述对所述人脸关键点检测模型进行训练包括：

通过训练集训练所述人脸关键点检测模型，调整所述人脸关键点检测模型的深度和宽度。

第二方面，本申请实施例提供了一种人脸误检过滤的系统，所述系统包括：

检测模块，用于通过人脸关键点检测模型，检测出RGB图像中人脸关键点包括：左眼中心、右眼中心、鼻子中心、左嘴角和右嘴角；

向量模块，用于获取所述鼻子中心到所述左眼中心的向量a的模为|a|，所述鼻子中心到所述右眼中心的向量b的模为|b|，所述鼻子中心到所述左嘴角的向量c的模为|c|，所述鼻子中心到所述右嘴角的向量d的模为|d|；

计算模块，用于计算|a|与|b|的差，以及|c|与|d|的差，获得|a|-|b|和|c|-|d|的值；

判断模块，用于通过分别比较所述|a|-|b|的值的绝对值和所述|c|-|d|的值的绝对值与预设阈值之间的大小，判断所述RGB图像的人脸检测结果。

在其中一些实施例中，所述判断所述RGB图像的人脸检测结果包括：

判断模块在所述|a|-|b|的值的绝对值和所述|c|-|d|的值的绝对值均小于所述预设阈值的情况下，判断检测结果为人脸。

在其中一些实施例中，所述人脸关键点检测模型包括：

利用改进后的shuffle-net网络对所述人脸关键点检测模型进行训练。

在其中一些实施例中，所述对所述人脸关键点检测模型进行训练包括：

通过训练集训练所述人脸关键点检测模型，调整所述人脸关键点检测模型的深度和宽度。

第三方面，本申请实施例提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项所述的人脸误检过滤的方法。

第四方面，本申请实施例提供了一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项所述的人脸误检过滤的方法。

相比于相关技术，本申请实施例提供的一种人脸误检过滤的方法，通过人脸关键点检测模型，检测出RGB图像中人脸关键点包括：左眼中心、右眼中心、鼻子中心、左嘴角和右嘴角；获取鼻子中心到左眼中心的向量a的模为|a|，鼻子中心到右眼中心的向量b的模为|b|，鼻子中心到左嘴角的向量c的模为|c|，鼻子中心到右嘴角的向量d的模为|d|；计算|a|与|b|的差，以及|c|与|d|的差，获得|a|-|b|和|c|-|d|的值；通过分别比较|a|-|b|的值的绝对值和|c|-|d|的值的绝对值与预设阈值之间的大小，判断RGB图像的人脸检测结果，解决了相关技术中人脸检测使用的检测网络参数量大，无法应用到设备端，以及误检过滤方法复杂的问题，提高了检测速度和检测精度，且方法简单、易于操作。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1是根据本申请实施例的一种人脸误检过滤的方法的应用环境示意图；

图2是根据本申请实施例的人脸误检过滤方法的流程图；

图3是根据本申请实施例的人脸误检过滤系统的结构框图；

图4是根据本申请实施例的一种人脸误检过滤方法的判断流程示意图；

图5是根据本申请实施例的电子设备的内部结构示意图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行描述和说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。基于本申请提供的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本申请公开的内容相关的本领域的普通技术人员而言，在本申请揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本申请公开的内容不充分。

在本申请中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是，本申请所描述的实施例在不冲突的情况下，可以与其它实施例相结合。

除非另作定义，本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制，可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形，意图在于覆盖不排他的包含；例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可以还包括没有列出的步骤或单元，或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电气的连接，不管是直接的还是间接的。本申请所涉及的“多个”是指大于或者等于两个。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象，不代表针对对象的特定排序。

本申请提供的人脸误检过滤的方法，可以应用于如图1所示的应用环境中，图1是根据本申请实施例的一种人脸误检过滤的方法的应用环境示意图，如图1所示，其中，该应用环境的系统包括服务器10和设备端11，其中，在服务器10上通过人脸关键点检测模型，检测出RGB图像中人脸关键点包括：左眼中心、右眼中心、鼻子中心、左嘴角和右嘴角；获取鼻子中心到左眼中心的向量a的模为|a|，鼻子中心到右眼中心的向量b的模为|b|，鼻子中心到左嘴角的向量c的模为|c|，鼻子中心到右嘴角的向量d的模为|d|；计算|a|与|b|的差，以及|c|与|d|的差，获得|a|-|b|和|c|-|d|的值；通过分别比较|a|-|b|的值的绝对值和|c|-|d|的值的绝对值与预设阈值之间的大小，判断RGB图像的人脸检测结果，并在设备端11上显示，解决了相关技术中人脸检测使用的检测网络参数量大，无法应用到设备端，以及误检过滤方法复杂的问题，提高了检测速度和检测精度，且方法简单、易于操作。

本实施例提供了一种人脸误检过滤的方法，图2是根据本申请实施例的人脸误检过滤方法的流程图，如图2所示，该流程包括如下步骤：

步骤S201，通过人脸关键点检测模型，检测出RGB图像中人脸关键点包括：左眼中心、右眼中心、鼻子中心、左嘴角和右嘴角，其中，RGB图像数据在输入人脸关键点检测模型进行检测前，需要进行数据清洗、数据预处理，并将经过处理的RGB图像数据集分为训练集和测试集，训练集可用于训练人脸关键点检测模型，提高模型的精度，测试集用于输入已训练好的人脸关键点检测模型中，检测识别RGB图像是否为人脸。本实施例通过人脸关键点检测模型，检测出RGB图像中人脸的关键点包括：左眼中心、右眼中心、鼻子中心、左嘴角和右嘴角，使用经过数据清洗和预处理的RGB图像进行人脸关键点检测，能有效提高检测识别的精确度；

步骤S202，利用从RGB图像中检测到的人脸关键点，获取鼻子中心到左眼中心的向量a的模为|a|，鼻子中心到右眼中心的向量b的模为|b|，鼻子中心到左嘴角的向量c的模为|c|，鼻子中心到右嘴角的向量d的模为|d|，本实施例通过人脸关键特征点组成的两个近似等边三角形来判断RGB图像人脸检测结果，方法简单，易于操作；

步骤S203，计算|a|与|b|的差，以及|c|与|d|的差，获得|a|-|b|和|c|-|d|的值，可选的，本实施例获取步骤2中得到的各个向量的模|a|、|b|、|c|和|d|，计算|a|与|b|的差，以及|c|与|d|的差，获得|a|-|b|和|c|-|d|的值；

步骤S204，通过分别比较|a|-|b|的值的绝对值和|c|-|d|的值的绝对值与预设阈值之间的大小，判断RGB图像的人脸检测结果。可选的，该预设阈值可以根据经验进行设置，例如，阈值设为0.1，本实施例通过分别比较|a|-|b|的值的绝对值和|c|-|d|的值的绝对值与阈值0.1之间的大小，判断RGB图像的人脸检测结果，方法简单，易于操作。

通过上述步骤S201至步骤S204，相对于现有技术中，一方面人脸检测方法使用的检测网络参数量大，导致无法应用到设备端，另一方面人脸检测方法使用的误检过滤方法较复杂，不易操作的问题。本实施例采用一种基于两个准等边三角形的人脸误检过滤的方法，在服务器10上通过人脸关键点检测模型，检测出RGB图像中人脸关键点包括：左眼中心、右眼中心、鼻子中心、左嘴角和右嘴角；获取鼻子中心到左眼中心的向量a的模为|a|，鼻子中心到右眼中心的向量b的模为|b|，鼻子中心到左嘴角的向量c的模为|c|，鼻子中心到右嘴角的向量d的模为|d|；计算|a|与|b|的差，以及|c|与|d|的差，获得|a|-|b|和|c|-|d|的值；通过分别比较|a|-|b|的值的绝对值和|c|-|d|的值的绝对值与预设阈值之间的大小，判断RGB图像的人脸检测结果，并在设备端11上显示，解决了相关技术中人脸检测使用的检测网络参数量大，无法应用到设备端，以及误检过滤方法复杂的问题，提高了检测速度和检测精度，且方法简单、易于操作。

在其中一些实施例中，判断RGB图像的人脸检测结果包括：在|a|-|b|的值的绝对值和|c|-|d|的值的绝对值均小于预设阈值的情况下，检测结果为人脸，可选的，该预设阈值可以根据经验进行设置，例如，阈值设为0.1，本实施例在|a|-|b|的值的绝对值和|c|-|d|的值的绝对值均小于阈值0.1的情况下，检测结果为人脸，否则，检测结果认为是非人脸。

在其中一些实施例中，人脸关键点检测模型包括：利用改进后的shuffle-net网络对人脸关键点检测模型进行训练，其中，shuffle-net网络是深度学习中的一种轻量型分类网络，使用经过改进的轻量级shuffle-net网络进行人脸关键点检测，在满足精度的情况下，模型计算量小，使用的检测网络参数量不大，能应用于设备端，且能有效提高检测的速度。

在其中一些实施例中，对人脸关键点检测模型进行训练包括：通过训练集训练人脸关键点检测模型，调整人脸关键点检测模型的深度和宽度，其中，训练集中图像数据经过预先的数据清洗和预处理，可选的，本实施例通过训练集训练人脸关键点检测模型，不断调整网络模型的深度和宽度，以及模型中相关的参数，使得模型在满足高精度的前提下，减小模型的计算量，提高模型的检测速度和检测精度。

需要说明的是，在上述流程中或者附图的流程图中示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

本实施例还提供了一种人脸误检过滤的系统，该系统用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。

图3是根据本申请实施例的人脸误检过滤系统的结构框图，如图3所示，该系统包括检测模块31、向量取模模块32、计算模块33和判断模块34：

检测模块31，用于通过人脸关键点检测模型，检测出RGB图像中人脸关键点包括：左眼中心、右眼中心、鼻子中心、左嘴角和右嘴角；向量取模模块32，用于获取鼻子中心到左眼中心的向量a的模为|a|，鼻子中心到右眼中心的向量b的模为|b|，鼻子中心到左嘴角的向量c的模为|c|，鼻子中心到右嘴角的向量d的模为|d|；计算模块33，用于计算|a|与|b|的差，以及|c|与|d|的差，获得|a|-|b|和|c|-|d|的值；判断模块34，用于通过分别比较|a|-|b|的值的绝对值和|c|-|d|的值的绝对值与预设阈值之间的大小，判断RGB图像的人脸检测结果。

通过上述系统，检测模块31使用经过数据清洗和预处理的RGB图像进行人脸关键点检测，能有效提高检测识别的精确度；向量取模模块32通过人脸关键特征点组成的两个近似等边三角形来判断RGB图像人脸检测结果，方法简单，易于操作；计算模块33通过得到的各个向量的模|a|、|b|、|c|和|d|，计算|a|与|b|的差，以及|c|与|d|的差，获得|a|-|b|和|c|-|d|的值；判断模块34通过分别比较|a|-|b|的值的绝对值和|c|-|d|的值的绝对值与预设阈值之间的大小，判断RGB图像的人脸检测结果，方法简单，易于操作。整个系统解决了相关技术中人脸检测使用的检测网络参数量大，无法应用到设备端，以及误检过滤方法复杂的问题，提高了检测速度和检测精度，且方法简单、易于操作。

在其中一些实施例中，判断模块34还用于在判断RGB图像的人脸检测结果时包括：在|a|-|b|的值的绝对值和|c|-|d|的值的绝对值均小于预设阈值的情况下，检测结果为人脸，可选的，该预设阈值可以根据经验进行设置，例如，阈值设为0.1，本实施例在|a|-|b|的值的绝对值和|c|-|d|的值的绝对值均小于阈值0.1的情况下，检测结果为人脸，否则，检测结果认为是非人脸。

在其中一些实施例中，人脸关键点检测模型包括：利用改进后的shuffle-net网络对人脸关键点检测模型进行训练，其中，shuffle-net网络是深度学习中的一种轻量型分类网络，使用经过改进的轻量级shuffle-net网络进行人脸关键点检测，在满足精度的情况下，模型计算量小，使用的检测网络参数量不大，能应用于设备端，且能有效提高检测的速度。

在其中一些实施例中，对人脸关键点检测模型进行训练包括：通过训练集训练人脸关键点检测模型，调整人脸关键点检测模型的深度和宽度，其中，训练集中图像数据经过预先的数据清洗和预处理，可选的，本实施例通过训练集训练人脸关键点检测模型，不断调整网络模型的深度和宽度，以及模型中相关的参数，使得模型在满足高精度的前提下，减小模型的计算量，提高模型的检测速度和检测精度。

下面结合应用场景对本发明进行详细的说明。

本发明揭示了一种基于人脸特征点组成的两个准等边三角形的人脸误检过滤方法，图4是根据本申请实施例的一种人脸误检过滤方法的判断流程示意图，如图4所示，本实施例中人脸误检过滤方法的具体实现步骤如下：

S1，人脸关键点检测算法检测出RGB图像中人脸的五个关键点，分别为左眼中心、右眼中心、鼻子中心、左嘴角和右嘴角，使用的人脸关键点检测模型是基于改进后的shuffle-net网络进行训练的；

S2，取鼻子中心到左眼中心的向量为向量a，鼻子中心到右眼中心的向量为向量b，鼻子中心到左嘴角的向量为向量c，鼻子中心到右嘴角的向量为向量d；

S3，取向量a的模为|a|，向量b的模为|b|，向量c的模为|c|，向量d的模为|d|；

S4，若检测的关键点同时满足|a|与|b|模的差的绝对值小于预先设定的阈值和|c|与|d|模的差的绝对值小于预先设定的阈值，其中阈值设为0.1，则认为是人脸；

S5，否则，认为是非人脸。

本实施例还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。

可选地，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。

另外，结合上述实施例中的人脸误检过滤的方法，本申请实施例可提供一种存储介质来实现。该存储介质上存储有计算机程序；该计算机程序被处理器执行时实现上述实施例中的任意一种人脸误检过滤的方法。

在一个实施例中，图5是根据本申请实施例的电子设备的内部结构示意图，如图5所示，提供了一种电子设备，该电子设备可以是服务器，其内部结构图可以如图5所示。该电子设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该电子设备的处理器用于提供计算和控制能力。该电子设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该电子设备的数据库用于存储数据。该电子设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种人脸误检过滤的方法。

本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的电子设备的限定，具体的电子设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

本领域的技术人员应该明白，以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。