本发明涉及人脸检测领域，特别涉及一种人脸检测方法、模型创建方法、装置、设备及介质。
背景技术：
当前，随着人脸检测的应用需求越来越多，应用领域越来越广，例如，在过安检、排查犯罪嫌疑人、启动智能终端等方面，经常需要使用到与人脸检测相关的技术。并且，为了降低误检率，人们对于人脸检测结果的检测精度和可靠性提出了更高的要求。
然而，从目前传统的人脸检测技术的使用效果来看，人脸检测结果的精确度和鲁棒性还是有待进一步的提升，如何提升人脸检测结果的精确度和鲁棒性是目前有待解决的技术问题。
技术实现要素：
有鉴于此，本发明的目的在于提供一种人脸检测模型创建方法、装置、设备及介质，能够提升人脸检测结果的精确度和鲁棒性。其具体方案如下：
第一方面，本申请公开了一种人脸检测模型创建方法，包括：
获取含有标注信息的训练集；其中，所述标注信息包括人脸属性标注信息和人脸关键点标注信息；
以深度卷积神经网络为基础进行网络构建，得到待训练网络；其中，所述待训练网络包括针对人脸属性检测的第一待训练模块和针对人脸关键点检测的第二待训练模块；
利用所述训练集对所述待训练网络进行训练，得到多任务检测模型，以便利用所述多任务检测模型对待检测人脸图像的人脸属性和人脸关键点进行检测。
可选的，所述获取含有标注信息的训练集，包括：
获取历史人脸图像；
对所述历史人脸图像添加对应的人脸属性标注信息和人脸关键点标注信息，以得到标注后人脸图像；
基于所述标注后人脸图像获得所述训练集；
其中，所述人脸属性标注信息包括生物特征信息和/或表情信息和/或配饰信息；所述人脸关键点标注信息包括五官位置信息和/或人脸轮廓信息；相应的，所述第一待训练模块包括针对生物特征信息检测的待训练单元和/或针对表情信息检测的待训练单元和/或针对配饰信息检测的待训练单元；所述第二待训练模块包括针对五官位置信息检测的待训练单元和/或针对人脸轮廓信息检测的待训练单元。
可选的，所述基于所述标注后人脸图像获得所述训练集，包括：
对所述标注后人脸图像进行数据清洗处理以得到清洗后图像；
基于预设筛选概率对所述清洗后图像进行筛选以得到筛选后图像；
对所述筛选后图像进行数据增强处理以扩充图像样本数量，得到所述训练集。
可选的，所述以深度卷积神经网络为基础进行网络构建，得到待训练网络，包括：
对vgg神经网络进行网络参数优化，得到轻量级多任务学习网络；
对所述轻量级多任务学习网络进行网络结构优化，得到特征提取模块；
将所述特征提取模块分别与针对人脸属性检测的第一待训练模块和针对人脸关键点检测的第二待训练模块进行连接，以构建所述待训练网络。
可选的，所述对vgg神经网络进行网络参数优化，得到轻量级多任务学习网络，包括：
对vgg神经网络的通道数、层数和尺寸进行裁剪优化，得到所述轻量级多任务学习网络。
可选的，所述对所述轻量级多任务学习网络进行网络结构优化，得到特征提取模块，包括：
按照卷积层、bn层、relu层和se层的顺序构造第一类卷积单元，并将第一预设数量的所述第一类卷积单元依次连接，以得到第一特征提取子模块；
按照卷积层、bn层和relu层的顺序构造第二类卷积单元，并将第二预设数量的所述第二类卷积单元依次连接，以得到第二特征提取子模块；
将所述第一特征提取子模块和第二特征提取子模块进行连接，以得到所述特征提取模块。
可选的，所述利用所述训练集对所述待训练网络进行训练，得到多任务检测模型，包括：
将所述训练集输入至所述特征提取模块，得到所述特征提取模块输出的卷积层特征；
利用所述卷积层特征和多任务损失函数，对所述第一待训练模块和所述第二待训练模块进行训练，并在训练过程中利用随机梯度下降法进行迭代更新直到模型收敛，以得到所述多任务检测模型。
第二方面，本申请公开了一种人脸检测方法，包括：
获取待检测人脸图像；
将所述待检测人脸图像输入至多任务检测模型，以得到所述待检测人脸图像对应的人脸属性信息和人脸关键点信息；其中，所述多任务检测模型为利用包括人脸属性标注信息和人脸关键点标注信息的训练集对基于深度卷积神经网络构建的待训练网络进行训练得到的模型；其中，所述待训练网络包括针对人脸属性检测的第一待训练模块和针对人脸关键点检测的第二待训练模块。
第三方面，本申请公开了一种人脸检测模型创建装置，包括：
训练集获取模块，用于获取含有标注信息的训练集；其中，所述标注信息包括人脸属性标注信息和人脸关键点标注信息；
网络构建模块，用于以深度卷积神经网络为基础进行网络构建，得到待训练网络；其中，所述待训练网络包括针对人脸属性检测的第一待训练模块和针对人脸关键点检测的第二待训练模块；
模型训练模块，用于利用所述训练集对所述待训练网络进行训练，得到多任务检测模型，以便利用所述多任务检测模型对待检测人脸图像的人脸属性和人脸关键点进行检测。
第四方面，本申请公开了一种电子设备，包括：
存储器，用于保存计算机程序；
处理器，用于执行所述计算机程序，以实现前述的人脸检测模型创建方法。
第五方面，本申请公开了一种计算机可读存储介质，用于存储计算机程序；其中计算机程序被处理器执行时实现前述的人脸检测模型创建方法。
本申请中，通过获取含有人脸属性标注信息和人脸关键点标注信息的训练集，并以深度卷积神经网络为基础进行网络构建，得到待训练网络，然后利用所述训练集对所述待训练网络进行训练，得到多任务检测模型，以便利用所述多任务检测模型对待检测人脸图像的人脸属性和人脸关键点进行检测。可见，本申请通过这种方式，利用包含人脸属性标注信息和人脸关键点标注信息的训练集训练构建的待训练网络以得到的多任务检测模型，由此可以使得在进行人脸检测的过程中充分利用到了人脸属性和人脸关键点之间的相关性，从而提高了人脸属性检测和人脸关键点检测的精确度和鲁棒性。
附图说明
为了更清楚地说明本发明实施例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简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，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，还可以根据提供的附图获得其他的附图。
图1为本申请提供的一种人脸检测模型创建方法流程图；
图2为本申请提供的一种具体的人脸检测模型创建方法流程图；
图3为本申请提供的人脸检测模型结构示意图；
图4为本申请提供的第一特征提取子模块结构示意图；
图5为本申请提供的一种人脸检测方法流程图；
图6为本申请提供的一种人脸检测模型创建装置结构示意图；
图7为本申请提供的一种电子设备结构图。
具体实施方式
现有技术中，对人脸属性的检测只是针对单一属性进行检测，降低了检测的实时性，并且对于人脸关键点的检测忽略了人脸属性与人脸关键点之间的联系，降低了人脸关键点检测的鲁棒性。为了克服上述问题，本申请提出一种用于同时检测人脸属性和人脸关键点的人脸检测模型创建方法，可以提高人脸属性检测的实时性和精确度，并且提高人脸关键点检测的鲁棒性。
本申请实施例公开了一种人脸检测模型创建方法，参见图1所示，该人脸检测模型创建方法可以包括以下步骤：
步骤s11：获取含有标注信息的训练集；其中，所述标注信息包括人脸属性标注信息和人脸关键点标注信息。
本实施例中，上述含有标注信息的训练集可以是含有人脸属性标注信息和人脸关键点标注信息的历史人脸图像集合；可以理解的是，上述标注信息可以是由用户添加的与历史人脸图像对应的人脸属性标注信息和人脸关键点标注信息。
本实施例中，所述获取含有标注信息的训练集，可以包括：获取历史人脸图像；对所述历史人脸图像添加对应的人脸属性标注信息和人脸关键点标注信息，以得到标注后人脸图像；基于所述标注后人脸图像获得所述训练集。其中，所述人脸属性标注信息包括生物特征信息和/或表情信息和/或配饰信息；所述人脸关键点标注信息包括五官位置信息和/或人脸轮廓信息；相应的，所述第一待训练模块包括针对生物特征信息检测的待训练单元和/或针对表情信息检测的待训练单元和/或针对配饰信息检测的待训练单元；所述第二待训练模块包括针对五官位置信息检测的待训练单元和/或针对人脸轮廓信息检测的待训练单元。
可以理解的是，通过获取历史人脸图像，并对上述历史人脸图像添加对应的生物特征信息和/或表情信息和/或配饰信息和/或人脸关键点标注信息；其中，上述生物特征信息可以包括但不限于性别标注信息和年龄标注信息，具体的可以对上述历史图片添加对应的男性标注信息或女性标注信息，以及添加对应的年龄标注信息，其中，上述年龄标注信息可以分为8类，分别是0-3岁、4-13岁、14-20岁、21-30岁、31-40岁、41-50岁、51-60岁和61-100岁；其中，上述表情信息可以包括但不限于微笑信息、哭泣信息和惊恐信息；其中，上述配饰信息可以包括但不限于眼镜佩戴信息、帽子佩戴信息和耳环佩戴信息。本实施例中，所述获取含有标注信息的训练集，可以包括对上述历史人脸图像添加对应的五官位置信息和/或人脸轮廓信息，具体的，可以对上述历史人脸图像添加对应的左眼位置信息、右眼位置信息、鼻尖位置信息、左嘴角位置信息、右嘴角位置信息和下巴位置信息等。由此一来，通过对历史人脸图像添加多种类型的人脸属性标注信息和人脸关键点信息，得到标注后的人脸信息，在后续步骤中利用上述标注后的人脸信息，对人脸检测模型进行训练，以得到能够同时检测人脸属性和人脸关键点的人脸检测模型。
本实施例中，所述基于所述标注后人脸图像获得所述训练集，可以包括：对所述标注后人脸图像进行数据清洗处理以得到清洗后图像；基于预设筛选概率对所述清洗后图像进行筛选以得到筛选后图像；对所述筛选后图像进行数据增强处理以扩充图像样本数量，得到所述训练集。可以理解的是，在获取到上述标注后人脸图像后，首先对标注后人脸图像进行数据清洗处理，然后基于预设筛选概率从清洗后图像中筛选出部分图像作为筛选后图像，最后对筛选后图像进行数据增强处理得到增强后图像，以扩充样本图像数量。其中，上述数据增强处理可以包括但不限于对图像的亮度、对比度、色调和饱和度在预设的范围内进行调整、对图像的尺寸在预设的尺寸范围内进行放大或缩减、对图像进行镜像处理、对图像在预设的角度范围内进行旋转处理以及对图片样本进行均衡化处理。例如，以0.5的筛选概率从清洗后图像中筛选出50％图像作为筛选后图像，对上述筛选后图像的亮度在预设的亮度范围内进行调整以扩充图像样本数量，得到所述训练集。由此可见，通过数据清洗处理可以清除错误数据和重复数据，并且通过对基于预设筛选概率筛选出的筛选后图像进行数据增强处理，可以扩充图像样本数量。
步骤s12：以深度卷积神经网络为基础进行网络构建，得到待训练网络；其中，所述待训练网络包括针对人脸属性检测的第一待训练模块和针对人脸关键点检测的第二待训练模块。
本实施例中，基于深度卷积神经网络进行网络构建得到待训练网络，可以理解的是，本实施例通过对上述深度卷积神经网络的网络参数和网络结构进行优化，得到上述待训练网络；其中，上述待训练网络包括针对人脸属性检测的第一待训练模块、针对人脸关键点检测的第二待训练模块和用于提取特征信息的特征提取模块。具体的，通过对上述深度卷积神经网络的网络参数和网络结构进行优化得到上述第一待训练模块、第二待训练模块和特征提取模块，以得到上述待训练网络。
可以理解的是，上述步骤s11和步骤s12在实施过程中没有实施顺序要求，可以是分批进行，也可以是同时进行。
步骤s13：利用所述训练集对所述待训练网络进行训练，得到多任务检测模型，以便利用所述多任务检测模型对待检测人脸图像的人脸属性和人脸关键点进行检测。
本实施例中，在得到上述训练集和上述待训练网络后，利用训练集对待训练网络进行训练，以得到多任务检测模型，其中，上述多任务检测模型可以用于同时检测多种人脸属性和人脸关键点。并且，上述多任务检测模型可在资源有限的嵌入式和便携式设备内实时运行。
由上可见，本实施例中通过获取含有人脸属性标注信息和人脸关键点标注信息的训练集，并以深度卷积神经网络为基础进行网络构建，得到待训练网络，然后利用所述训练集对所述待训练网络进行训练，得到多任务检测模型，以便利用所述多任务检测模型对待检测人脸图像的人脸属性和人脸关键点进行检测。可见，本申请利用包含人脸属性标注信息和人脸关键点标注信息的训练集训练构建的待训练网络以得到的多任务检测模型，由此可以使得在进行人脸检测的过程中充分利用到了人脸属性和人脸关键点之间的相关性，从而提高了人脸属性检测和人脸关键点检测的精确度和鲁棒性。
本申请实施例公开了一种具体的人脸检测模型创建方法，参见图2所示，该人脸检测模型创建方法可以包括以下步骤：
步骤s21：获取含有标注信息的训练集；其中，所述标注信息包括人脸属性标注信息和人脸关键点标注信息。
步骤s22：对vgg神经网络进行网络参数优化，得到轻量级多任务学习网络。
本实施例中，以vgg神经网络为基础，通过对网络参数进行裁剪优化处理，得到轻量级多任务学习网络。可以理解的是，上述轻量级多任务学习网络是通过对vgg神经网络的网络参数进行裁剪优化处理后得到的网络。具体的，通过对vgg神经网络的通道数、层数和尺寸进行裁剪优化，得到所述轻量级多任务学习网络。
步骤s23：对所述轻量级多任务学习网络进行网络结构优化，得到特征提取模块。
本实施例中，在得到上述轻量级多任务学习网络后，通过对上述轻量级多任务学习网络的网络结构进行优化，得到特征提取模块；其中，上述特征提取模块用于从上述训练集中提取特征信息。
本实施例中，所述对所述轻量级多任务学习网络进行网络结构优化，得到特征提取模块，包括：按照卷积层、bn(batchnormalization，即批归一化)层、relu层和se(squeeze-and-excitation，即通道注意力)层的顺序构造第一类卷积单元，并将第一预设数量的所述第一类卷积单元依次连接，以得到第一特征提取子模块；按照卷积层、bn层和relu层的顺序构造第二类卷积单元，并将第二预设数量的所述第二类卷积单元依次连接，以得到第二特征提取子模块；将所述第一特征提取子模块和第二特征提取子模块进行连接，以得到所述特征提取模块。
例如图3所示，特征提取模块中包含第一特征提取子模块和第二特征提取子模块；其中，上述第一特征提取子模块可以包括3个依次相连的上述第一类卷积单元，上述第二特征提取子模块可以包括10个依次相连的上述第二类卷积单元；需要说明的是，通过多次实验对比，将3个上述第一类卷积单元依次相连得到的第一特征提取子模块的性能最佳。可以理解的是，当训练集输入至上述特征提取模块后，上述训练集先被输入至上述第一特征提取子模块，然后将第一特征提取子模块提取的特征数据输入至上述第二特征提取子模块。
具体的，例如图4所示，可以通过在上述轻量级多任务学习网络的卷积层后添加bn层，并在relu层后添加se层，以得到按照卷积层、bn层、relu层和se层的顺序构造的第一类卷积单元，然后可以将3个上述第一类卷积单元依次连接，以得到第一特征提取子模块；相应的，可以通过在上述轻量级多任务学习网络的卷积层后添加bn层，以得到按照卷积层、bn层和relu层的顺序构造的第二类卷积单元，然后可以将10个上述第二类卷积单元依次连接，以得到第二特征提取子模块。
步骤s24：将所述特征提取模块分别与针对人脸属性检测的第一待训练模块和针对人脸关键点检测的第二待训练模块进行连接，以构建所述待训练网络。
本实施例中，经过网络参数优化和网络结构优化后，将得到的用于进行特征信息提取的特征提取模块分别与针对人脸属性检测的第一待训练模块和针对人脸关键点检测的第二待训练模块进行连接，以得到待训练网络。例如图3所示，将特征提取模块与包含第一待训练模块和第二待训练模块的多任务检测模块进行连接，以得到待训练网络。其中，上述第一待训练模块可以包括性别检测模块、戴眼镜检测模块、戴帽子检测模块、微笑检测模块和年龄检测模块；其中，上述性别检测模块、戴眼镜检测模块、戴帽子检测模块和微笑检测模块为二分类模块，上述年龄检测模块为八分类模块，用于将人脸图像分为0-3岁、4-13岁、14-20岁、21-30岁、31-40岁、41-50岁、51-60岁和61-100岁这八个类别；其中，上述二分类模块和八分类模块均为基于深度卷积神经网络构建的模块。其中，上述第二待训练模块可以是人脸关键点检测模块。可以理解的是，上述待训练网络是按照第一特征提取子模块、第二特征提取子模块和多任务模块的顺序构造的，当训练集输入至上述待训练网络后先被输入至特征提取模块，然后将上述特征提取模块提取的特征数据分别输入至性别检测模块、戴眼镜检测模块、戴帽子检测模块、微笑检测模块、年龄检测模块和人脸关键点检测模块。
步骤s25：将所述训练集输入至所述特征提取模块，得到所述特征提取模块输出的卷积层特征。
本实施例中，在得到上述待训练网络后，将上述训练集输入至上述待训练网络，利用待训练网络的特征提取模块从上述训练集中提取出卷积层特征。可以理解的是，当训练集输入至上述待训练网络后，训练集首先被输入至特征提取模块，以利用特征提取模块得到上述卷积层特征。
步骤s26：利用所述卷积层特征和多任务损失函数，对所述第一待训练模块和所述第二待训练模块进行训练，并在训练过程中利用随机梯度下降法进行迭代更新直到模型收敛，以得到所述多任务检测模型。
本实施例中，利用特征提取模块提取的卷积层特征并基于多任务损失函数，对构建的第一待训练模块和第二待训练模块进行训练，并且在训练过程中，利用随机梯度下降法(sgd，stochasticgradientdescent)对模型进行迭代更新处理直到模型收敛。
其中，上述多任务损失函数为：
式中，n是样本数，l1-l5为5类人脸属性分别对应的人脸属性损失函数，llan为人脸关键点损失函数，y为预测值，
其中，上述人脸关键点损失函数为wingloss损失函数，其表达式为：
式中，w为非负数，用于将损失函数的非线性部分限制在(-w,w)，ε用于约束损失函数曲线的曲率，并且，
本实施例中，通过利用上述wingloss损失函数对第一待训练模块和第二待训练模块进行训练，可以提升对于小误差和中等范围内误差的训练效果。另外，通过多任务损失函数，可以挖掘不同人脸属性之间的相关性，增强了人脸属性检测的泛化能力；同时，利用人脸属性共同学习人脸关键点的位置信息，提高了人脸关键点检测的鲁棒性。
其中，关于上述步骤s21的具体过程可以参考前述公开的相应内容，在此不再进行赘述。
由上可见，本实施例通过对vgg神经网络进行网络参数优化，得到轻量级多任务学习网络，然后对轻量级多任务学习网络进行网络结构优化，即向轻量级多任务学习网络中添加bn层和se层，得到特征提取模块，由此一来，可以加快模型收敛，提升模型性能，并且加强重要信息特征和抑制无关信息特征。并且通过将特征提取模块分别与针对人脸属性检测的第一待训练模块和针对人脸关键点检测的第二待训练模块进行连接，以得到待训练网络，然后利用特征提取模块从训练集中提取卷积层特征，最后利用卷积层特征和多任务损失函数，对第一待训练模块和第二待训练模块进行训练，并在训练过程中利用随机梯度下降法进行迭代更新直到模型收敛，以得到多任务检测模型。可见，本申请通过构建的多任务检测模型可以同时对多种人脸属性进行检测，提高了人脸属性检测的实时性。
本申请实施例公开了一种人脸检测方法，参见图5所示，该人脸检测模型创建方法可以包括以下步骤：
步骤s31：获取待检测人脸图像；
本实施例中，首先获取待检测人脸图像，可以通过设备采集或者提取视频序列中的人脸图像的方式获取上述待检测人脸图像。
步骤s32：将所述待检测人脸图像输入至多任务检测模型，以得到所述待检测人脸图像对应的人脸属性信息和人脸关键点信息；其中，所述多任务检测模型为利用包括人脸属性标注信息和人脸关键点标注信息的训练集对基于深度卷积神经网络构建的待训练网络进行训练得到的模型；其中，所述待训练网络包括针对人脸属性检测的第一待训练模块和针对人脸关键点检测的第二待训练模块。
本实施例中，上述人脸属性标注信息可以包括生物特征信息和/或表情信息和/或配饰信息，上述人脸关键点标注信息可以包括五官位置信息和/或人脸轮廓信息。并且，上述训练集的获取方式可以包括：对所述标注后人脸图像进行数据清洗处理以得到清洗后图像；基于预设筛选概率对所述清洗后图像进行筛选以得到筛选后图像；对所述筛选后图像进行数据增强处理以扩充图像样本数量，得到所述训练集。
另外，上述待训练网络的获取方式可以包括：对vgg神经网络进行网络参数优化，得到轻量级多任务学习网络；对所述轻量级多任务学习网络进行网络结构优化，得到特征提取模块；将所述特征提取模块分别与针对人脸属性检测的第一待训练模块和针对人脸关键点检测的第二待训练模块进行连接，以构建所述待训练网络。其中，上述对vgg神经网络进行网络参数优化，得到轻量级多任务学习网络，可以包括：对vgg神经网络的通道数、层数和尺寸进行裁剪优化，得到所述轻量级多任务学习网络。其中，上述对所述轻量级多任务学习网络进行网络结构优化，得到特征提取模块，可以包括：按照卷积层、bn层、relu层和se层的顺序构造第一类卷积单元，并将第一预设数量的所述第一类卷积单元依次连接，以得到第一特征提取子模块；按照卷积层、bn层和relu层的顺序构造第二类卷积单元，并将第二预设数量的所述第二类卷积单元依次连接，以得到第二特征提取子模块；将所述第一特征提取子模块和第二特征提取子模块进行连接，以得到所述特征提取模块。由此一来，可以加快模型收敛，提升模型性能，并且加强重要信息特征和抑制无关信息特征。
为了充分利用人脸面部信息以及人脸属性对人脸关键点检测的促进作用，本实施例中，多任务检测模型的训练过程可以包括：将所述训练集输入至所述特征提取模块，得到所述特征提取模块输出的卷积层特征；利用所述卷积层特征和多任务损失函数，对所述第一待训练模块和所述第二待训练模块进行训练，并在训练过程中利用随机梯度下降法进行迭代更新直到模型收敛，以得到所述多任务检测模型。由此一来，可以得到可以同时对人脸属性和人脸关键点进行检测的多任务检测模型。
由上可见，本实施例中通过获取待检测人脸图像，并利用多任务检测模型对上述待检测人脸图像进行检测，以得到与上述待检测人脸图像对应的人脸属性信息和人脸关键点信息。可见，本申请利用包含人脸属性标注信息和人脸关键点标注信息的训练集训练构建的待训练网络以得到的多任务检测模型，由此可以使得在进行人脸检测的过程中充分利用到了人脸属性和人脸关键点之间的相关性，从而提高了人脸属性检测和人脸关键点检测的精确度和鲁棒性。
相应的，本申请实施例还公开了一种模型创建装置，参见图6所示，该装置包括：
训练集获取模块11，用于获取含有标注信息的训练集；其中，所述标注信息包括人脸属性标注信息和人脸关键点标注信息；
网络构建模块12，用于以深度卷积神经网络为基础进行网络构建，得到待训练网络；其中，所述待训练网络包括针对人脸属性检测的第一待训练模块和针对人脸关键点检测的第二待训练模块；
模型训练模块13，用于利用所述训练集对所述待训练网络进行训练，得到多任务检测模型，以便利用所述多任务检测模型对待检测人脸图像的人脸属性和人脸关键点进行检测。
由上可见，本实施例中通过获取含有标注信息的训练集，并以深度卷积神经网络为基础进行网络构建，得到待训练网络，然后利用所述训练集对所述待训练网络进行训练，得到多任务检测模型，以便利用所述多任务检测模型对待检测人脸图像的人脸属性和人脸关键点进行检测。通过这种方式，可以同时对多个人脸属性进行检测，提高了检测的实时性，并且结合人脸属性之间的关系和人脸属性与人脸关键的之间的关系进行检测，提高了检测的精确度和鲁棒性。
在一些实施例中，所述训练集获取模块11具体可以包括：
信息标注单元，用于获取历史人脸图像；对所述历史人脸图像添加对应的人脸属性标注信息和人脸关键点标注信息，以得到标注后人脸图像；基于所述标注后人脸图像获得所述训练集；
数据清洗单元，用于对所述标注后人脸图像进行数据清洗处理以得到清洗后图像；
图片筛选单元，用于基于预设筛选概率对所述清洗后图像进行筛选以得到筛选后图像；
数据增强单元，用于对所述筛选后图像进行数据增强处理以扩充图像样本数量，得到所述训练集。
在一些实施例中，所述网络构建模块12具体可以包括：
网络参数优化单元，用于对vgg神经网络进行网络参数优化，得到轻量级多任务学习网络；
网络结构优化单元，用于对所述轻量级多任务学习网络进行网络结构优化，得到特征提取模块；将所述特征提取模块分别与针对人脸属性检测的第一待训练模块和针对人脸关键点检测的第二待训练模块进行连接，以构建所述待训练网络；
网络结构优化第一子单元，用于按照卷积层、bn层、relu层和se层的顺序构造第一类卷积单元，并将第一预设数量的所述第一类卷积单元依次连接，以得到第一特征提取子模块；
网络结构优化第二子单元，用于按照卷积层、bn层和relu层的顺序构造第二类卷积单元，并将第二预设数量的所述第二类卷积单元依次连接，以得到第二特征提取子模块；
网络结构优化第三子单元，用于将所述第一特征提取子模块和第二特征提取子模块进行连接，以得到所述特征提取模块。
在一些实施例中，所述模型训练模块13具体可以包括：
卷积层特征提取单元，用于将所述训练集输入至所述特征提取模块，得到所述特征提取模块输出的卷积层特征；
模型训练单元，用于利用所述卷积层特征和多任务损失函数，对所述第一待训练模块和所述第二待训练模块进行训练，并在训练过程中利用随机梯度下降法进行迭代更新直到模型收敛，以得到所述多任务检测模型。
进一步的，本申请实施例还公开了一种电子设备，参见图7所示，图中的内容不能被认为是对本申请的使用范围的任何限制。
图7为本申请实施例提供的一种电子设备20的结构示意图。该电子设备20，具体可以包括：至少一个处理器21、至少一个存储器22、电源23、通信接口24、输入输出接口25和通信总线26。其中，所述存储器22用于存储计算机程序，所述计算机程序由所述处理器21加载并执行，以实现前述任一实施例公开的人脸检测方法、人脸检测模型创建方法中的相关步骤。
本实施例中，电源23用于为电子设备20上的各硬件设备提供工作电压；通信接口24能够为电子设备20创建与外界设备之间的数据传输通道，其所遵循的通信协议是能够适用于本申请技术方案的任意通信协议，在此不对其进行具体限定；输入输出接口25，用于获取外界输入数据或向外界输出数据，其具体的接口类型可以根据具体应用需要进行选取，在此不进行具体限定。
另外，存储器22作为资源存储的载体，可以是只读存储器、随机存储器、磁盘或者光盘等，其上所存储的资源包括操作系统221、计算机程序222及包括训练集在内的数据223等，存储方式可以是短暂存储或者永久存储。
其中，操作系统221用于管理与控制电子设备20上的各硬件设备以及计算机程序222，以实现处理器21对存储器22中海量数据223的运算与处理，其可以是windowsserver、netware、unix、linux等。计算机程序222除了包括能够用于完成前述任一实施例公开的由电子设备20执行的人脸检测模型创建方法的计算机程序之外，还可以进一步包括能够用于完成其他特定工作的计算机程序。数据223可以包括电子设备20获取到的训练集。
进一步的，本申请实施例还公开了一种存储介质，所述存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器加载并执行时，实现前述任一实施例公开的人脸检测方法、人脸检测模型创建方法步骤。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质中。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本发明所提供的一种人脸检测模型创建方法、装置、设备及介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
1.一种人脸检测模型创建方法，其特征在于，包括：
获取含有标注信息的训练集；其中，所述标注信息包括人脸属性标注信息和人脸关键点标注信息；
以深度卷积神经网络为基础进行网络构建，得到待训练网络；其中，所述待训练网络包括针对人脸属性检测的第一待训练模块和针对人脸关键点检测的第二待训练模块；
利用所述训练集对所述待训练网络进行训练，得到多任务检测模型，以便利用所述多任务检测模型对待检测人脸图像的人脸属性和人脸关键点进行检测。
2.根据权利要求1所述的人脸检测模型创建方法，其特征在于，所述获取含有标注信息的训练集，包括：
获取历史人脸图像；
对所述历史人脸图像添加对应的人脸属性标注信息和人脸关键点标注信息，以得到标注后人脸图像；
基于所述标注后人脸图像获得所述训练集；
其中，所述人脸属性标注信息包括生物特征信息和/或表情信息和/或配饰信息；所述人脸关键点标注信息包括五官位置信息和/或人脸轮廓信息；相应的，所述第一待训练模块包括针对生物特征信息检测的待训练单元和/或针对表情信息检测的待训练单元和/或针对配饰信息检测的待训练单元；所述第二待训练模块包括针对五官位置信息检测的待训练单元和/或针对人脸轮廓信息检测的待训练单元。
3.根据权利要求2所述的人脸检测模型创建方法，其特征在于，所述基于所述标注后人脸图像获得所述训练集，包括：
对所述标注后人脸图像进行数据清洗处理以得到清洗后图像；
基于预设筛选概率对所述清洗后图像进行筛选以得到筛选后图像；
对所述筛选后图像进行数据增强处理以扩充图像样本数量，得到所述训练集。
4.根据权利要求1所述的人脸检测模型创建方法，其特征在于，所述以深度卷积神经网络为基础进行网络构建，得到待训练网络，包括：
对vgg神经网络进行网络参数优化，得到轻量级多任务学习网络；
对所述轻量级多任务学习网络进行网络结构优化，得到特征提取模块；
将所述特征提取模块分别与针对人脸属性检测的第一待训练模块和针对人脸关键点检测的第二待训练模块进行连接，以构建所述待训练网络。
5.根据权利要求4所述的人脸检测模型创建方法，其特征在于，所述对vgg神经网络进行网络参数优化，得到轻量级多任务学习网络，包括：
对vgg神经网络的通道数、层数和尺寸进行裁剪优化，得到所述轻量级多任务学习网络。
6.根据权利要求4所述的人脸检测模型创建方法，其特征在于，所述对所述轻量级多任务学习网络进行网络结构优化，得到特征提取模块，包括：
按照卷积层、bn层、relu层和se层的顺序构造第一类卷积单元，并将第一预设数量的所述第一类卷积单元依次连接，以得到第一特征提取子模块；
按照卷积层、bn层和relu层的顺序构造第二类卷积单元，并将第二预设数量的所述第二类卷积单元依次连接，以得到第二特征提取子模块；
将所述第一特征提取子模块和第二特征提取子模块进行连接，以得到所述特征提取模块。
7.根据权利要求4至6任一项所述的人脸检测模型创建方法，其特征在于，所述利用所述训练集对所述待训练网络进行训练，得到多任务检测模型，包括：
将所述训练集输入至所述特征提取模块，得到所述特征提取模块输出的卷积层特征；
利用所述卷积层特征和多任务损失函数，对所述第一待训练模块和所述第二待训练模块进行训练，并在训练过程中利用随机梯度下降法进行迭代更新直到模型收敛，以得到所述多任务检测模型。
8.一种人脸检测方法，其特征在于，包括：
获取待检测人脸图像；
将所述待检测人脸图像输入至多任务检测模型，以得到所述待检测人脸图像对应的人脸属性信息和人脸关键点信息；其中，所述多任务检测模型为利用包括人脸属性标注信息和人脸关键点标注信息的训练集对基于深度卷积神经网络构建的待训练网络进行训练得到的模型；其中，所述待训练网络包括针对人脸属性检测的第一待训练模块和针对人脸关键点检测的第二待训练模块。
9.一种人脸检测模型创建装置，其特征在于，包括：
训练集获取模块，用于获取含有标注信息的训练集；其中，所述标注信息包括人脸属性标注信息和人脸关键点标注信息；
网络构建模块，用于以深度卷积神经网络为基础进行网络构建，得到待训练网络；其中，所述待训练网络包括针对人脸属性检测的第一待训练模块和针对人脸关键点检测的第二待训练模块；
模型训练模块，用于利用所述训练集对所述待训练网络进行训练，得到多任务检测模型，以便利用所述多任务检测模型对待检测人脸图像的人脸属性和人脸关键点进行检测。
10.一种电子设备，其特征在于，包括：
存储器，用于保存计算机程序；
处理器，用于执行所述计算机程序，以实现如权利要求1至8任一项所述的方法。
11.一种计算机可读存储介质，其特征在于，用于存储计算机程序；其中计算机程序被处理器执行时实现如权利要求1至8任一项所述的方法。
技术总结