(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210315003.9 (22)申请日 2022.03.28 (71)申请人 深圳市赛 为智能股份有限公司 地址 518000 广东省深圳市龙岗区南湾街 道下李朗社区联李东路8号赛为大楼 A101至15楼 (72)发明人 胡懋成　李德民　王秋阳　宋素林　 (74)专利代理 机构 深圳市精英专利事务所 44242 专利代理师 李燕娥 (51)Int.Cl. G06V 40/16(2022.01) G06V 10/80(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01)G07C 9/37(2020.01) (54)发明名称 低照度的人脸检测方法、 装置、 计算机设备 及存储介质 (57)摘要 本发明实施例公开了低照度的人脸检测方 法、 装置、 计算机设备及存储介质。 所述方法包 括： 获取待检测图像； 将所述待检测图像输入人 脸检测模型内进行人脸检测， 以得到检测结果； 输出所述检测结果； 其中， 所述人脸检测模型通 过若干组由低光照度人脸图像以及正常光照度 人脸图像构成图像对作为样本集训练由对抗神 经网络以及深度学习网络构成的模 型所得的。 通 过实施本发明实施例的方法可实现无需通过阈 值调整进行超低光照度地人脸检测， 可以针对不 同程度的低光照度光线进行人脸检测； 更好的预 测不同尺度大小的人脸。 权利要求书2页 说明书14页 附图5页 CN 114663950 A 2022.06.24 CN 114663950 A 1.低照度的人脸检测方法， 其特 征在于， 包括： 获取待检测图像； 将所述待检测图像输入人脸检测模型内进行 人脸检测， 以得到检测结果； 输出所述检测结果； 其中， 所述人脸检测模型通过若干组 由低光照度人脸图像以及正常光照度人脸图像构 成图像对作为样本集训练由对抗神经网络以及深度学习网络构成的模型 所得的。 2.根据权利要求1所述的低照度的人脸检测方法， 其特征在于， 所述人脸检测模型通过 若干组由低光照度人脸图像以及正常光照度人脸图像构成 图像对作为样本集训练由对抗 神经网络以及深度学习网络构成的模型 所得的， 包括： 获取若干组由低光照度人脸图像以及正常光照度人脸图像构成图像对， 以得到样本 集； 将所述样本集输入 对抗神经网络内进行处 理， 以得到处 理结果； 将所述处理结果输入至深度 学习网络内进行人脸目标框的检测， 以得到目标框检测结 果； 根据所述处理结果、 目标框检测结果结合对应的损失函数进行对抗神经网络以及深度 学习网络的参数调整， 以得到人脸检测模型。 3.根据权利要求2所述的低照度的人脸检测方法， 其特征在于， 所述将所述样本集输入 对抗神经网络内进行处 理， 以得到处 理结果， 包括： 采用对抗神经网络中的多个Swin  Transformer块对所述样本集内的低光照度人脸图 像进行特征提取； 对提取的特 征对应的特 征层进行融合处 理， 以提取感光信息， 以得到处 理结果。 4.根据权利要求3所述的低照度的人脸检测方法， 其特征在于， 所述对提取的特征对应 的特征层进行融合处 理， 以提取感光信息， 以得到处 理结果， 包括： 对提取的特征对应的第 二个特征层进行上采样， 并与第 一个特征层进行原始特征直接 拼接， 以得到第一 拼接结果； 对提取的特征对应的第四个特征层进行上采样， 并与第 三个特征层进行原始特征直接 拼接， 以得到第二 拼接结果； 将所述第一拼接结果、 第二拼接结果以及第五个特征层进行可变形卷积操作， 以得到 对应的卷积结果； 将对应的卷积结果进行原 始特征直接拼接， 以得到融合特 征； 对所述融合特 征进行CBAM注意力机制处 理， 以得到注意力处 理结果； 对所述注意力处 理结果进行 上采样处 理， 以得到上采样处 理结果； 将所述上采样处 理结果进行合并， 以得到合并结果； 对所述合并结果进行五次反卷积， 并进行特征通道数还原和尺寸恢复， 以得到增强光 照图片， 且将第四次反卷积输出 的特征进行卷积和原始特征直接拼接， 以得到特征拼接结 果； 将合并结果 通过动态条件卷积处 理， 以得到动态处 理特征图； 将第四次反卷积输出的特征以及所述动态 处理特征图进行原始特征直接拼接， 并进行 组合卷积， 以得到处 理结果。权　利　要　求　书 1/2 页 2 CN 114663950 A 25.根据权利要求2所述的低照度的人脸检测方法， 其特征在于， 所述将所述处理结果输 入至深度学习网络内进行 人脸目标框的检测， 以得到目标框检测结果， 包括： 将所述处理结果以及样本集输入至深度学习网络 内的卷积块中进行处理， 以得到两个 卷积特征； 对两个卷积特 征进行原 始特征直接拼接， 以得到中间特 征； 将所述中间特 征输入至yo lov5模型进行 人脸检测， 以得到目标框检测结果。 6.根据权利要求5所述的低照度的人脸检测方法， 其特征在于， 所述将所述中间特征输 入至yolov5模型进行 人脸检测， 以得到目标框检测结果， 包括： 将所述中间特征进行卷积操作， 以得到卷积操作图片， 所述卷积操作图片的通道数量 与yolov5模型内的CS PDarkNet第二个ResBl ock大小一 致； 将所述卷积操作图片输入至yolov5模型内的CSPDarkNet内， 并结合yolov5模型内的 SPP、 PAnet以及三个yo lo头进行人脸检测， 以得到目标框检测结果。 7.根据权利要求6所述的低照度的人脸检测方法， 其特征在于， 所述yolov5模型使用 FastNMS， 且在CSPDarknet到PAnet之间加入了自适应注意力 机制， 对CSPDarkNet输出的特 征分别进行输出通道数一致普通卷积、 空洞卷积以及可变形卷积， 经过不同大小的池化适 应不同人脸 目标， 再通过SPP使得各自得到一致的特征图大小在经过多次卷积块得到自适 应特征， 并与CSPDarkNet输出的特征进行原始特征直接拼接， 再经过卷积及激活得到CPLF， 以作为PAnet的输出， 再通过yo lo头进行人脸目标框的预测， 以得到目标框检测结果。 8.低照度的人脸检测装置， 其特 征在于， 包括： 图像获取 单元， 用于获取待检测图像； 检测单元， 用于将所述待检测图像输入人脸检测模型内进行人脸检测， 以得到检测结 果； 输出单元， 用于输出所述检测结果； 还包括： 模型生成单元， 用于通过若干组由低光照度人脸图像以及正常光照度人脸图 像构成图像对作为样本集训练由对抗神经网络以及深度学习网络构成的模 型， 以得到人脸 检测模型。 9.一种计算机设备， 其特征在于， 所述计算机设备包括存储器及处理器， 所述存储器上 存储有计算机程序， 所述处理器执行所述计算机程序时实现如权利要求 1至7中任一项所述 的方法。 10.一种存储介质， 其特征在于， 所述存储介质存储有计算机程序， 所述计算机程序被 处理器执行时实现如权利要求1至7中任一项所述的方法。权　利　要　求　书 2/2 页 3 CN 114663950 A 3