人脸检测、人脸检测模型训练方法、装置、设备和介质与流程

1.本公开涉及图像处理领域，具体为深度学习和计算机视觉技术领域，尤其涉及人脸检测、人脸检测模型训练方法、装置、设备和介质。


背景技术：

2.人脸图像数据更是被用于身份识别和鉴权等方面，是个人较为敏感的一类隐私数据。目前，对敏感隐私数据的保护，尤其是对人脸图像数据的脱敏处理，越来越受到社会各界的重视。
3.目前可以采用对人脸图像进行全局或局部的变形和变换，还可以将人脸区域进行遮挡隐藏或模糊，实现人脸隐私保护。


技术实现要素：

4.本公开提供了一种人脸检测、人脸检测模型训练方法、装置、设备和介质。
5.根据本公开的一方面，提供了一种人脸检测方法，包括：
6.将图像输入到预先训练的敏感人脸检测模型中；
7.通过所述敏感人脸检测模型提取至少一个特征尺寸的人脸特征；
8.通过所述敏感人脸检测模型根据各所述特征尺寸对应的数量的先验框，在各所述特征尺寸的人脸特征中识别备选人脸区域；
9.通过所述敏感人脸检测模型对所述备选人脸区域进行筛选，在所述图像确定目标人脸区域。
10.根据本公开的一方面，提供了一种敏感人脸检测模型的训练方法，包括：
11.将样本图像输入到初始模型中；
12.通过所述初始模型提取至少一个特征尺寸的人脸特征；
13.通过所述初始模型根据各所述特征尺寸对应的数量的先验框，在各所述特征尺寸的人脸特征中识别备选人脸区域；
14.通过所述初始模型对所述备选人脸区域进行筛选，在所述样本图像确定目标人脸区域；
15.根据所述样本图像的标准人脸区域，训练所述初始模型，得到敏感人脸检测模型。
16.根据本公开的一方面，提供了一种人脸检测装置，包括：
17.图像输入模块，用于将图像输入到预先训练的敏感人脸检测模型中；
18.人脸特征提取模块，用于通过所述敏感人脸检测模型提取至少一个特征尺寸的人脸特征；
19.人脸区域识别模块，用于通过所述敏感人脸检测模型根据各所述特征尺寸对应的数量的先验框，在各所述特征尺寸的人脸特征中识别备选人脸区域；
20.人脸区域筛选模块，用于通过所述敏感人脸检测模型对所述备选人脸区域进行筛选，在所述图像确定目标人脸区域。
21.根据本公开的一方面，提供了一种敏感人脸检测模型的训练装置，包括：
22.样本输入模块，用于将样本图像输入到初始模型中；
23.人脸特征提取模块，用于通过所述初始模型提取至少一个特征尺寸的人脸特征；
24.人脸区域识别模块，用于通过所述初始模型根据各所述特征尺寸对应的数量的先验框，在各所述特征尺寸的人脸特征中识别备选人脸区域；
25.人脸区域筛选模块，用于通过所述初始模型对所述备选人脸区域进行筛选，在所述样本图像确定目标人脸区域；
26.模型训练模块，用于根据所述样本图像的标准人脸区域，训练所述初始模型，得到敏感人脸检测模型。
27.根据本公开的另一方面，提供了一种电子设备，包括：
28.至少一个处理器；以及
29.与所述至少一个处理器通信连接的存储器；其中，
30.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执行本公开任一实施例所述的人脸检测方法，或本公开任一实施例所述的敏感人脸检测模型的训练方法。
31.根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行本公开任一实施例所述的人脸检测方法，或本公开任一实施例所述的敏感人脸检测模型的训练方法。
32.根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现本公开任一实施例所述的人脸检测方法，或本公开任一实施例所述的敏感人脸检测模型的训练方法。
33.本公开实施例可以加快人脸检测的速度。
34.应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
35.附图用于更好地理解本方案，不构成对本公开的限定。其中：
36.图1是根据本公开实施例提供的一种人脸检测方法的示意图；
37.图2是根据本公开实施例提供的一种人脸检测方法的示意图；
38.图3是根据本公开实施例提供的一种敏感人脸检测模型的训练方法的示意图；
39.图4是根据本公开实施例提供的一种敏感人脸检测模型的训练方法的示意图；
40.图5是根据本公开实施例提供的一种敏感人脸检测模型的训练方法的示意图；
41.图6是根据本公开实施例提供的一种敏感人脸和非敏感人脸的示意图；
42.图7是根据本公开实施例提供的一种人脸检测装置的示意图；
43.图8是根据本公开实施例提供的一种敏感人脸检测模型的训练装置的示意图；
44.图9是用来实现本公开实施例的人脸检测方法或敏感人脸检测模型的训练方法的电子设备的框图。
具体实施方式
45.以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
46.图1是根据本公开实施例公开的一种人脸检测方法的流程图，本实施例可以适用于提高人脸检测模型的速度的情况。本实施例方法可以由人脸检测装置来执行，该装置可采用软件和/或硬件的方式实现，并具体配置于具有一定数据运算能力的电子设备中，该电子设备可以是客户端设备或服务器设备，客户端设备例如手机、平板电脑、车载终端和台式电脑等。
47.s101，将图像输入到预先训练的敏感人脸检测模型中。
48.图像用于检测是否存在敏感人脸。敏感人脸是指包含隐私信息的人脸区域。通常，普通用户的人脸属于隐私信息或敏感信息，从而，可以将敏感人脸确定为普通用户的人脸，例如，行人人脸。敏感人脸检测模型用于在图像中确定敏感人脸。敏感人脸检测模型可以是机器学习模型。示例性的，敏感人脸检测模型包括卷积神经网络、提取方向梯度直方图特征结合向量机分类的模型或特征金字塔网络等。
49.s102，通过所述敏感人脸检测模型提取至少一个特征尺寸的人脸特征。
50.人脸特征用于描述人脸的图像特征。示例性的，图像特征可以包括图像的颜色特征、纹理特征、形状特征和空间关系特征等。敏感人脸检测模型用于对输入的图像进行特征提取，得到人脸特征。特征尺寸为人脸特征的尺寸，人脸特征可以是特征图，特征尺寸可以包括该图的宽和高等参数。示例性的，敏感人脸检测模型可以提取特征尺寸为32*32的人脸特征、特征尺寸为16*16的人脸特征或特征尺寸为8*8的人脸特征。敏感人脸检测模型可以通过特征提取层提取人脸特征，示例性的，特征提取层包括至少一个卷积层。可选的，卷积层包括dw卷积(depthwise separable convolution，深度可分离卷积)，其中，采用dw卷积可以降低参数数量和运算成本，从而实现轻量级运算。
51.s103，通过所述敏感人脸检测模型根据各所述特征尺寸对应的数量的先验框，在各所述特征尺寸的人脸特征中识别备选人脸区域。
52.先验框(anchor)可以是指提前在图像上预设好的不同尺寸和/或不同长宽比的框，先验框用于调整以不断接近包含待检测物体的真实框。实际上，先验框可以理解为预先定义了待检测的人脸区域的宽和高，在模型预测过程中，采用该宽和高对人脸特征进行处理，预测得到人脸区域，其中，预测过程是调整先验框的(中心)位置和尺寸，得到最接近真实人脸区域的备选人脸区域。不同的先验框的尺寸和/或长宽比不同。同一个尺寸以及长宽比的先验框的数量为一个。其中，敏感人脸检测模型可以通过分类层识别备选人脸区域。示例性的，分类层可以包括级联的特征金字塔网络(feature pyramid networks，fpn)。
53.特征尺寸与先验框的数量成反比表明，特征尺寸与先验框的类型的数量对应。不同特征尺寸对应的先验框的类型的数量不同。不同特征尺寸对应的先验框的尺寸和/或长宽比可以部分相同或完全不同。示例性的，32*32特征尺寸，对应1个长宽比为1:1的先验框。又如，16*16特征尺寸，对应2个长宽比分别为1:1和2:1的先验框。
54.实际上，在人脸特征上采用先验框进行遍历，需要计算的数据量和先验框的数量、
尺寸和长宽比相关。从而，特征尺寸与先验框的数量对应，可以灵活选择在不同特征尺寸上设置不同数量的先验框进行人脸区域预测。在本公开实施例中在不同特征尺寸的人脸特征中采用数量不同的先验框进行检测，实现在不同特征尺寸的人脸特征对应的先验框的匹配计算量不同。
55.s104，通过所述敏感人脸检测模型对所述备选人脸区域进行筛选，在所述图像确定目标人脸区域。
56.对备选人脸区域筛选可以是，减少冗余的备选人脸区域和错误的人脸区域等。表示为同一个人脸的备选人脸区域的数量可以有多个，可以对表示同一个人脸的重复多个备选人脸区域进行筛选，减少冗余备选人脸区域。此外，还有部分备选人脸区域是错误的，可以对错误的备选人脸区域进行删除，提高人脸区域的准确性。将筛选得到的至少一个备选人脸区域确定为目标人脸区域。目标人脸区域可以是指图像中敏感人脸的区域。敏感人脸检测模型可以通过后处理层对备选人脸区域进行筛选。示例性的，后处理层可以采用非极大值抑制算法(non-maximum suppression，nms)，或基于交并比(intersection over union，iou)的算法等实现筛选。目标人脸区域为包括敏感人脸的区域，或者包括隐私信息的人脸区域。可以对目标人脸区域进行脱敏处理，实现保护目标人脸区域的敏感信息和隐私信息等。
57.现有技术中，通常不同的特征图都设置先验框在的数量相同，但是对于较大特征尺寸的特征图来说，其包括的全局信息较多，且细节信息较多，选择的先验框的数量越多，计算量越大。
58.根据本公开的技术方案，通过针对不同特征尺寸的人脸特征采用与特征尺寸对应的数量的先验框进行预测，得到备选人脸区域，可以灵活根据特征尺寸选择不同数量的先验框，实现调整先验框的预测所需的计算量，从而优化计算量，提高模型预测速度，加快人脸检测的速度。
59.图2是根据本公开实施例公开的另一种人脸检测方法的流程图，基于上述技术方案进一步优化与扩展，并可以与上述各个可选实施方式进行结合。所述特征尺寸具体化为与先验框的数量成反比。
60.s201，将图像输入到预先训练的敏感人脸检测模型中。
61.s202，通过所述敏感人脸检测模型提取至少一个特征尺寸的人脸特征。
62.s203，通过所述敏感人脸检测模型根据各所述特征尺寸对应的数量的先验框，在各所述特征尺寸的人脸特征中识别备选人脸区域，所述特征尺寸与先验框的数量成反比。
63.特征尺寸与先验框的数量成反比，是指先验框的数量与特征尺寸的大小呈反向增长，也即特征尺寸越大，先验框的数量越少；特征尺寸越小，先验框的数量越多。示例性的，特征尺寸32x 32的特征图中每个像素点点仅采用1个anchor，特征尺寸16x16的特征图中每个点仅采用2个anchor，特征尺寸8x8的特征图中每个点采用6个anchor。其中，最小特征尺寸8x8的特征图采用的先验框的数量最多为6个。最大特征尺寸32x 32的特征图采用的先验框的数量最少为1个。
64.实际上，在先验框数量一定的情况下，特征图的特征尺寸越大，其包括的全局信息和细节信息也就越多，采用先验框进行预测，需要比对的信息量越多，计算量越大；特征图的特征尺寸越小，其包括的全局信息和细节信息越少，采用先验框进行预测，需要比对的信
息量越少，计算量越小。通过为大特征尺寸的特征图，配置数量少的先验框，为小特征尺寸的特征图，配置数量多的先验框，可以准确根据信息的丰富程度，选择匹配数量的先验框，在减少计算量的同时，兼顾人脸区域的预测准确率。
65.此外，每个特征尺寸的特征图采用的先验框中，至少包括长宽比为1:1的先验框。例如，特征尺寸32x 32的特征图采用的1个anchor的长宽比为1:1，特征尺寸16x16的特征图采用的2个anchor的长宽比包括：1:1和2:1等，特征尺寸8x8的特征图中采用6个anchor长宽比包括：1:1、2:1、1:2、3:1、1:3和3:2等。通常人脸的长宽比约为1:1。由此，选择长宽比为1:1的先验框，可以快速精准回归到真实人脸的区域，提高人脸区域的预测准确率。
66.s204，通过所述敏感人脸检测模型对所述备选人脸区域进行筛选，在所述图像确定目标人脸区域。
67.可选的，所述人脸检测方法，还包括：在所述图像中对所述目标人脸区域进行脱敏处理。
68.脱敏处理可以包括下述至少一项：马赛克处理、模糊处理、替换处理、遮挡处理和变形或变换处理等。对目标人脸区域进行脱敏处理，可以准确针对敏感人脸进行脱敏处理，提高隐私保护，同时避免错误脱敏，导致图像的关键信息丢失，兼顾保留图像的关键信息和保护图像中的隐私信息。
69.根据本公开的技术方案，通过为大特征尺寸的特征图，配置数量少的先验框，为小特征尺寸的特征图，配置数量多的先验框，在减少计算量的同时，兼顾人脸区域的预测准确率。
70.图3是根据本公开实施例公开的一种敏感人脸检测模型的训练方法的流程图。本实施例可以适用于敏感人脸检测模型的训练的情况。本实施例方法可以由敏感人脸检测模型的训练装置来执行，该装置可采用软件和/或硬件的方式实现，并具体配置于具有一定数据运算能力的电子设备中，该电子设备可以是客户端设备或服务器设备，客户端设备例如手机、平板电脑、车载终端和台式电脑等。
71.s301，将样本图像输入到初始模型中。
72.样本图像用于输入到初始模型，训练初始模型。样本图像为包括人脸区域的图像。样本图像还标注有标准人脸的图像。初始模型的结构与敏感人脸检测模型的结构相同。
73.s302，通过所述初始模型提取至少一个特征尺寸的人脸特征。
74.s303，通过所述初始模型根据各所述特征尺寸对应的数量的先验框，在各所述特征尺寸的人脸特征中识别备选人脸区域。
75.s304，通过所述初始模型对所述备选人脸区域进行筛选，在所述样本图像确定目标人脸区域。
76.s305，根据所述样本图像的标准人脸区域，训练所述初始模型，得到敏感人脸检测模型。
77.根据标准人脸区域和目标人脸区域，确定二者之间的差异，并根据差异调整初始模型的参数，以使目标人脸区域不断逼近正样本的标准人脸区域，以此训练初始模型。在初始模型满足训练完成条件的情况下，将当前训练的初始模型，确定为敏感人脸检测模型。示例性的，根据标准人脸区域和目标人脸区域，可以确定损失函数的数值，根据损失函数的数值，训练初始模型。训练完成条件可以是迭代次数达到预设次数阈值，或者是损失函数收敛
等。其中，样本图像中存在至少一个标准人脸区域，并且，样本图像输入到初始模型中，输出至少一个目标人脸区域。此外，样本图像的数量可以有多个。可以根据大量的样本图像训练初始模型。
78.根据本公开的技术方案，通过针对不同特征尺寸的人脸特征采用与特征尺寸对应的数量的先验框进行预测，得到备选人脸区域，可以灵活根据特征尺寸选择不同数量的先验框，实现调整先验框的预测所需的计算量，从而优化计算量，提高模型训练速度，实现加快人脸检测的速度。
79.图4是根据本公开实施例公开的另一种敏感人脸检测模型的训练方法的流程图，基于上述技术方案进一步优化与扩展，并可以与上述各个可选实施方式进行结合。所述敏感人脸检测模型的训练优化为：获取当前训练的初始模型，并选择所述当前训练的初始模型的至少一个尺寸参数；调整各所述尺寸参数的数值，得到至少一个备选模型；将多个所述样本图像输入至各所述备选模型中，获取各所述备选模型的性能数据；根据各所述备选模型的性能数据，筛选得到目标模型，并更新所述当前训练的初始模型。
80.s401，将样本图像输入到初始模型中。
81.s402，通过所述初始模型提取至少一个特征尺寸的人脸特征。
82.s403，通过所述初始模型根据各所述特征尺寸对应的数量的先验框，在各所述特征尺寸的人脸特征中识别备选人脸区域。
83.s404，通过所述初始模型对所述备选人脸区域进行筛选，在所述样本图像确定目标人脸区域。
84.s405，根据所述样本图像的标准人脸区域，训练所述初始模型，得到敏感人脸检测模型。
85.s406，获取当前训练的初始模型，并选择所述当前训练的初始模型的至少一个尺寸参数。
86.尺寸参数是指初始模型的尺寸的参数，更具体的是初始模型中单元层的尺寸的参数，例如，卷积核的尺寸和通道数等，其中，单元层可以包括卷积层、池化层或全连接层等。通常模型训练是训练的内容参数，例如，卷积核的矩阵中的全部元素。在训练过程中，初始模型的尺寸固定不变。
87.s407，调整各所述尺寸参数的数值，得到至少一个备选模型。
88.不同的尺寸参数，形成不同的备选模型。一个尺寸参数对应一个备选模型。改变尺寸参数，相当于是将初始模型，变成另外一个完全不同的模型。尺寸参数的数值，用于量化尺寸参数。示例性的，尺寸参数为宽，尺寸参数的数值为，宽度值。
89.可选的，所述尺寸参数，包括：至少一个卷积核的核尺寸和/或至少一个卷积层的输出通道数。
90.卷积核的核尺寸可以包括卷积核的宽(w)和高(h)，其中，又可以称为卷积核的长和宽。卷积层的输出通道数是指卷积层输出的特征图的通道数。卷积层包括至少一个卷积核。其中，尺寸参数具体可以是备选模型的特征提取层的尺寸参数。特征提取层用于从图像中提取人脸特征。核尺寸可以包括特征提取层中较低层的卷积核的核尺寸。其中，特征提取层包括多个卷积层，并串接，较低层可以是串接的多个卷积层中前n个层，例如，特征提取层包括10个卷积层，较低层为串接的多个卷积层中前5个卷积层的核尺寸。卷积层的输出通道
数，可以包括串接的卷积层中的末位卷积层的输出通道数，卷积层可以包括1*1卷积核的输出通道数。
91.通过将尺寸参数配置为卷积核的核尺寸和卷积层的输出通道数，可以调整卷积计算中的计算量和信息提取内容的丰富程度，从而快速找到最优的速度和最优的计算精度，以准确对模型的性能进行检测，实现模型的筛选准确率。
92.调整尺寸参数的数值，可以包括，可以增大卷积核的核尺寸，以及减少卷积层的输出通道数。其中，增加的核尺寸可以实现增大感受，从而野加速特征提取速度，而减少通道数可以实现减少计算量，最终实现模型的加速运算。
93.s408，将多个所述样本图像输入至各所述备选模型中，获取各所述备选模型的性能数据。
94.性能数据用于描述备选模型的性能。示例性的，性能数据包括备选模型的计算速度和/或计算精度。将多个样本图像输入至各备选模型中，对各备选模型进行测试，得到各备选模型的性能数据。示例性的，可以将多个样本图像输入至备选模型中，获取样本图像的输入时间和最后结果的输出时间，根据输入时间和输出时间，确定该备选模型计算速度。又如，可以将多个样本图像输入至备选模型中，获取各样本图像的输出结果与各标准人脸区域是否一样，确定该备选模型的准确率，从而确定该备选模型的计算精度。
95.s409，根据各所述备选模型的性能数据，筛选得到目标模型，并更新所述当前训练的初始模型。
96.根据性能数据筛选目标模型，可以是选择性能最好的备选模型，确定为初始模型。可选的，性能数据包括至少一个类型的性能数据，可以配置各类型的权重，计算各类型的性能数据的加权和，得到各备选模型的性能分数，选择描述性能最好的分数的备选模型，确定为目标模型。其中，性能最好的分数，可以是最高或最低的分数。示例性的，可以选择计算速度和计算精度最高的备选模型。但通常加快计算速度是牺牲一定的计算精度得到的，从而计算速度越快，计算精度越低。由此可以通过权重，平衡计算速度的加快程度和计算精度的减少程度，选择兼顾计算速度和计算精度的备选模型，确定为目标模型。
97.其中，s406-s409是初始模型训练前、训练过程中和训练完成时执行的步骤，其顺序可以和s405调换。
98.根据本公开的技术方案，通过调整尺寸参数获取多个不同尺寸的备选模型，并计算各备选模型的性能数据，筛选得到目标模型，确定为当前训练的初始模型，可以根据初始模型的尺寸参数，选择目标性能的模型，可以灵活模型结构适配不同的性能需求，丰富模型的应用场景。
99.图5是根据本公开实施例公开的另一种敏感人脸检测模型的训练方法的流程图，基于上述技术方案进一步优化与扩展，并可以与上述各个可选实施方式进行结合。所述敏感人脸检测模型的训练优化为：获取采集图像，在所述采集图像中识别人脸区域，所述人脸区域包括正样本和/或负样本；将所述采集图像确定为样本图像，并将所述人脸区域确定为所述采集图像的标准人脸。
100.s501，获取采集图像，在所述采集图像中识别人脸区域，所述人脸区域包括正样本和/或负样本。
101.采集图像，可以是路采车对街道两边进行图像采集得到的图像。人脸区域可以通
过已经训练的初始模型识别。正样本为敏感人脸区域。负样本为非敏感的人脸区域，示例性的，公众人物的人脸区域为非敏感的人脸区域，具体可以包括，新闻视频中的人物的人脸、广告视频中的人物的人脸或招牌上的人物的人脸等，其中，公众人物可以是明星人物、可以是政治人物等。此外，图像中除了人脸区域之外，还可以包括背景区域，即不包括人脸的区域，例如，建筑物、景物或人体躯干等。示例性的，如图6所示，商铺的招牌中的公众人脸为负样本，走在路上的行人的人脸为正样本。
102.其中，可以在初始模型的训练过程中，采用初始模型识别人脸区域，并标注正负样本，降低图像样本的采集成本和标准成本，降低模型训练成本。
103.可选的，在所述采集图像中识别负样本，包括：在所述采集图像中识别招牌区域；在所述招牌区域中，采用所述初始模型识别公众人脸区域，并确定为负样本。
104.招牌是指写明商店名称或经营内容等一系列具有文本内容的牌子。招牌区域是图像中包括招牌的区域。可以通过预先训练的招牌检测模型，在采集图像中识别招牌区域。公众人脸区域可以是指招牌区域中人脸。通常是代言用户的人脸，代言用户通常是家喻户晓的公众人物，其肖像权或人脸的隐私信息是公开，由此，可以不需要进行脱敏处理。公众人脸区域可以是非敏感不具有隐私信息的人脸区域。
105.通过识别招牌区域，并将招牌区域中通过初始模型识别的人脸区域，确定为负样本，可以降低负样本的采集成本，降低模型的训练成本，同时，将招牌区域的人脸区域，确定为负样本，可以提高负样本的代表性，根据负样本训练模型。可以提高模型针对敏感人脸与非敏感人脸之间的区分敏感性，提高敏感人脸的检测准确率。
106.s502，将所述采集图像确定为样本图像，并将所述人脸区域确定为所述采集图像的标准人脸。
107.其中，正样本表示的标准人脸，为模型期待检测出的人脸区域。负样本表示的标准人脸，为模型不需要检测出的人脸区域。
108.s503，将样本图像输入到初始模型中。
109.s504，通过所述初始模型提取至少一个特征尺寸的人脸特征。
110.s505，通过所述初始模型根据各所述特征尺寸对应的数量的先验框，在各所述特征尺寸的人脸特征中识别备选人脸区域。
111.s506，通过所述初始模型对所述备选人脸区域进行筛选，在所述样本图像确定目标人脸区域。
112.s507，根据所述样本图像的标准人脸区域，训练所述初始模型，得到敏感人脸检测模型。
113.示例性的，训练得到的敏感人脸检测模型可以识别出敏感人脸，如图6所示的行人人脸，以及不会检测出公众人脸，如图6中的招牌中的人物的人脸。之后对行人人脸进行脱敏处理，可以保护行人的隐私。
114.可选的，所述训练所述初始模型，包括：统计预先输入的多个所述样本图像的正样本和负样本，并根据正样本和负样本之间的数量差异，调整负样本梯度和损失值；根据调整后的负样本梯度和损失值，调整所述初始模型的参数。
115.实际上，正负样本的数量是不平衡的，通常负样本的数量过少，而正样本的数量过多，模型采用这种不平衡比例的正负样本进行训练，会增加误分类的风险，从而降低模型训
练的准确率。具体的，在长尾分布的数据集中，大部分训练样本来自头部类别(head class)，而只有少量样本来自尾部类别(tail class)。因此在训练过程中，来自头部类别的样本会对尾部类别施加过量的负样本梯度，淹没了来自尾部类别自身的正样本梯度。这种不平衡的学习过程导致分类器倾向于给予尾部类别很低的响应，以降低训练的loss。
116.根据正样本和负样本之间的数量差异，调整负样本梯度和损失值。具体是，可以通过正负样本之间的数量差异，减少由头部类别施加在尾部类别上过量的负样本梯度的权重，并且，增加误分到尾部类别的样本的损失值，可以降低不均衡分布的训练样本对模型的性能影响，提高模型的检测准确率。其中，在本公开实施例中，头部类别为正样本，尾部类别为负样本。背景区域不属于头部类别也不属于尾部类别。
117.调整负样本梯度和损失值，调整的初始模型的参数，与前述实施例中的尺寸参数不同。初始模型的参数是指内容的参数，例如，卷积核表示的矩阵的矩阵元素。
118.示例性的，可以采用seasaw loss损失函数(跷跷板损失函数)。其中，seasaw loss可以实现动态地抑制尾部类别上过量的负样本梯度，同时补充对误分类样本的惩罚。
119.通过根据正负样本之间的数量差异，调整负样本梯度和损失值，可以降低不均衡分布的训练样本对模型的性能影响，提高模型的检测准确率。
120.根据本公开的技术方案，通过配置正样本和负样本作为样本图像，训练敏感人脸检测模型，可以提高敏感人脸检测模型对正样本和负样本的区分程度，从而提高敏感人脸模型的检测准确率。
121.根据本公开的实施例，图7是本公开实施例中的人脸检测装置的结构图，本公开实施例适用于提高人脸检测模型的速度的情况。该装置采用软件和/或硬件实现，并具体配置于具备一定数据运算能力的电子设备中。
122.如图7所示的一种人脸检测装置700，包括：图像输入模块701、人脸特征提取模块702、人脸区域识别模块703和人脸区域筛选模块704；其中，
123.图像输入模块701，用于将图像输入到预先训练的敏感人脸检测模型中；
124.人脸特征提取模块702，用于通过所述敏感人脸检测模型提取至少一个特征尺寸的人脸特征；
125.人脸区域识别模块703，用于通过所述敏感人脸检测模型根据各所述特征尺寸对应的数量的先验框，在各所述特征尺寸的人脸特征中识别备选人脸区域；
126.人脸区域筛选模块704，用于通过所述敏感人脸检测模型对所述备选人脸区域进行筛选，在所述图像确定目标人脸区域。
127.根据本公开的技术方案，通过针对不同特征尺寸的人脸特征采用与特征尺寸对应的数量的先验框进行预测，得到备选人脸区域，可以灵活根据特征尺寸选择不同数量的先验框，实现调整先验框的预测所需的计算量，从而优化计算量，提高模型预测速度，加快人脸检测的速度。
128.进一步的，所述特征尺寸与先验框的数量成反比。
129.进一步的，所述人脸检测装置，还包括：人脸脱敏处理模块，用于在所述图像中对所述目标人脸区域进行脱敏处理。
130.上述人脸检测装置可执行本公开任意实施例所提供的人脸检测方法，具备执行人脸检测方法相应的功能模块和有益效果。
131.根据本公开的实施例，图8是本公开实施例中的敏感人脸检测模型的训练装置的结构图，本公开实施例适用于敏感人脸检测模型的训练的情况。该装置采用软件和/或硬件实现，并具体配置于具备一定数据运算能力的电子设备中。
132.如图8所示的一种敏感人脸检测模型的训练装置800，包括：样本输入模块801、人脸特征提取模块802、人脸区域识别模块803、人脸区域筛选模块804和模型训练模块805；其中，
133.样本输入模块801，用于将样本图像输入到初始模型中；
134.人脸特征提取模块802，用于通过所述初始模型提取至少一个特征尺寸的人脸特征；
135.人脸区域识别模块803，用于通过所述初始模型根据各所述特征尺寸对应的数量的先验框，在各所述特征尺寸的人脸特征中识别备选人脸区域；
136.人脸区域筛选模块804，用于通过所述初始模型对所述备选人脸区域进行筛选，在所述样本图像确定目标人脸区域；
137.模型训练模块805，用于根据所述样本图像的标准人脸区域，训练所述初始模型，得到敏感人脸检测模型。
138.根据本公开的技术方案，通过针对不同特征尺寸的人脸特征采用与特征尺寸对应的数量的先验框进行预测，得到备选人脸区域，可以灵活根据特征尺寸选择不同数量的先验框，实现调整先验框的预测所需的计算量，从而优化计算量，提高模型训练速度，实现加快人脸检测的速度。
139.进一步的，所述敏感人脸检测模型的训练装置，还包括：尺寸参数获取模块，用于获取当前训练的初始模型，并选择所述当前训练的初始模型的至少一个尺寸参数；尺寸参数调整模块，用于调整各所述尺寸参数的数值，得到至少一个备选模型；模型性能检测模块，用于将多个所述样本图像输入至各所述备选模型中，获取各所述备选模型的性能数据；备选模型筛选模块，用于根据各所述备选模型的性能数据，筛选得到目标模型，并更新所述当前训练的初始模型。
140.进一步的，其中，所述尺寸参数，包括：至少一个卷积核的核尺寸和/或至少一个卷积层的输出通道数。
141.进一步的，所述敏感人脸检测模型的训练装置，还包括：样本采集模块，用于获取采集图像，在所述采集图像中识别人脸区域，所述人脸区域包括正样本和/或负样本；标准人脸确定模块，用于将所述采集图像确定为样本图像，并将所述人脸区域确定为所述采集图像的标准人脸。
142.进一步的，所述样本采集模块，包括：招牌识别单元，用于在所述采集图像中识别招牌区域；负样本识别单元，用于在所述招牌区域中，采用所述初始模型识别公众人脸区域，并确定为负样本。
143.进一步的，所述模型训练模块805，包括：样本平衡调整单元，用于统计预先输入的多个所述样本图像的正样本和负样本，并根据正样本和负样本之间的数量差异，调整负样本梯度和损失值；样本平衡训练单元，用于根据调整后的负样本梯度和损失值，调整所述初始模型的参数。
144.上述敏感人脸检测模型的训练装置可执行本公开任意实施例所提供的敏感人脸
检测模型的训练方法，具备执行敏感人脸检测模型的训练方法相应的功能模块和有益效果。
145.本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
146.根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
147.图9示出了可以用来实施本公开的实施例的示例电子设备900的示意性区域图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
148.如图9所示，设备900包括计算单元901，其可以根据存储在只读存储器(rom)902中的计算机程序或者从存储单元908加载到随机访问存储器(ram)903中的计算机程序，来执行各种适当的动作和处理。在ram 903中，还可存储设备900操作所需的各种程序和数据。计算单元901、rom 902以及ram 903通过总线904彼此相连。输入/输出(i/o)接口905也连接至总线904。
149.设备900中的多个部件连接至i/o接口905，包括：输入单元906，例如键盘、鼠标等；输出单元907，例如各种类型的显示器、扬声器等；存储单元908，例如磁盘、光盘等；以及通信单元909，例如网卡、调制解调器、无线通信收发机等。通信单元909允许设备900通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
150.计算单元901可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元901的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。计算单元901执行上文所描述的各个方法和处理，例如人脸检测方法或敏感人脸检测模型的训练方法。例如，在一些实施例中，人脸检测方法或敏感人脸检测模型的训练方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元908。在一些实施例中，计算机程序的部分或者全部可以经由rom 902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到ram 903并由计算单元901执行时，可以执行上文描述的人脸检测方法或敏感人脸检测模型的训练方法的一个或多个步骤。备选地，在其他实施例中，计算单元901可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行人脸检测方法或敏感人脸检测模型的训练方法。
151.本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、现场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、复杂可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该
至少一个输出装置。
152.用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或区域图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
153.在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
154.为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
155.可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)和互联网。
156.计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
157.应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
158.上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。