用于检测人脸的方法和装置

摘要

本申请实施例公开了用于检测人脸的方法和装置。该方法的一具体实施方式包括：获取待检测图像；将待检测图像输入至预先训练的多层卷积神经网络，得到从第一预设层输出的第一人脸特征信息，从第二预设层输出的第二人脸特征信息和从第三预设层输出的第三人脸特征信息；对第一人脸特征信息和第二人脸特征信息进行解析，生成第一尺度的人脸检测结果；对第二人脸特征信息和第三人脸特征信息进行解析，生成第二尺度的人脸检测结果；将第一尺度的人脸检测结果和第二尺度的人脸检测结果进行结合，生成人脸检测结果。该实施方式不需要预先对图像进行多尺度变换，就能够同时对图像中的不同尺度的人脸图像区域进行检测，提高了多尺度人脸检测的效率。

权利要求

1.一种用于检测人脸的方法，包括：

获取待检测图像，其中，所述待检测图像包括多种尺度的人脸图像区域；

将所述待检测图像输入至预先训练的多层卷积神经网络，得到从所述多层卷积神经网络的第一预设层输出的第一人脸特征信息，从所述多层卷积神经网络的第二预设层输出的第二人脸特征信息和从所述多层卷积神经网络的第三预设层输出的第三人脸特征信息；

对所述第一人脸特征信息和所述第二人脸特征信息进行解析，生成第一尺度的人脸检测结果；

对所述第二人脸特征信息和所述第三人脸特征信息进行解析，生成第二尺度的人脸检测结果；

将所述第一尺度的人脸检测结果和所述第二尺度的人脸检测结果进行结合，生成人脸检测结果。

2.根据权利要求1所述的方法，其中，所述第一预设层的输入为所述待检测图像，所述第二预设层的输入为所述第一人脸特征信息，所述第三预设层的输入为所述第二人脸特征信息。

3.根据权利要求1所述的方法，其中，所述对所述第一人脸特征信息和所述第二人脸特征信息进行解析，生成第一尺度的人脸检测结果，包括：将所述第一人脸特征信息和所述第二人脸特征信息进行融合，得到第一融合人脸特征信息；

将第一融合人脸特征信息输入至第一尺度人脸检测模型，得到第一尺度的人脸检测结果，其中，所述第一尺度人脸检测模型用于表征第一融合人脸特征信息与第一尺度的人脸检测结果之间的对应关系。

4.根据权利要求3所述的方法，其中，人脸特征信息是人脸特征图，所述人脸特征图中的每个点用于表征所述待检测图像中的该点所对应的区域存在人脸特征的概率和该点所对应的区域的位置信息，所述人脸特征图以矩阵进行表示。

5.根据权利要求4所述的方法，其中，所述将所述第一人脸特征信息和所述第二人脸特征信息进行融合，得到第一融合人脸特征信息，包括：将所述第一人脸特征信息所对应的第一人脸特征图的对应点所包括的数据和所述第二人脸特征信息所对应的第二人脸特征图的对应点所包括的数据作为所述第一融合人脸特征信息所对应的第一融合人脸特征图的对应点所包括的数据；或者将所述第一人脸特征信息所对应的第一人脸特征图的对应点所包括的数据和所述第二人脸特征信息所对应的第二人脸特征图的对应点所包括的数据的乘积作为所述第一融合人脸特征信息所对应的第一融合人脸特征图的对应点所包括的数据；或者将所述第一人脸特征信息所对应的第一人脸特征图的对应点所包括的数据和所述第二人脸特征信息所对应的第二人脸特征图的对应点所包括的数据的和作为所述第一融合人脸特征信息所对应的第一融合人脸特征图的对应点所包括的数据；或者将所述第一人脸特征信息所对应的第一人脸特征图的对应点所包括的数据和所述第二人脸特征信息所对应的第二人脸特征图的对应点所包括的数据中最大的数据作为所述第一融合人脸特征信息所对应的第一融合人脸特征图的对应点所包括的数据。

6.根据权利要求3-5之一所述的方法，其中，所述第一尺度人脸检测模型通过如下步骤训练得到：初始化所述第一尺度人脸检测模型的参数；

获取训练样本集，其中，所述训练样本集中的每个训练样本包括样本图像和样本图像所对应的第一尺度的人脸标注结果；

对于所述训练样本集中的每个训练样本，执行以下操作：将该训练样本中的样本图像输入至所述多层卷积神经网络，得到从所述第一预设层输出的、该训练样本所对应的第一人脸特征信息和从所述第二预设层输出的、该训练样本所对应的第二人脸特征信息；将该训练样本所对应的第一人脸特征信息和该训练样本所对应的第二人脸特征信息进行融合，得到该训练样本所对应的第一融合人脸特征信息；将该训练样本所对应的第一融合人脸特征信息输入至所述第一尺度人脸检测模型，得到该训练样本所对应的第一尺度的人脸检测结果；确定该训练样本所对应的第一尺度的人脸检测结果与该训练样本中的样本图像所对应的第一尺度的人脸标注结果之间的差异；基于所述差异调整所述第一尺度人脸检测模型的参数。

7.根据权利要求1所述的方法，其中，所述多层卷积神经网络还包括第四预设层；以及所述方法还包括：得到从所述多层卷积神经网络的第四预设层输出的第四人脸特征信息；

对所述第三人脸特征信息和第四人脸特征信息进行解析，生成第三尺度的人脸检测结果；

所述将所述第一尺度的人脸检测结果和所述第二尺度的人脸检测结果进行结合，生成人脸检测结果，包括：将所述第一尺度的人脸检测结果、所述第二尺度的人脸检测结果和所述第三尺度的人脸检测结果进行结合，生成人脸检测结果。

8.一种用于检测人脸的装置，包括：

获取单元，配置用于获取待检测图像，其中，所述待检测图像包括多种尺度的人脸图像区域；

提取单元，配置用于将所述待检测图像输入至预先训练的多层卷积神经网络，得到从所述多层卷积神经网络的第一预设层输出的第一人脸特征信息，从所述多层卷积神经网络的第二预设层输出的第二人脸特征信息和从所述多层卷积神经网络的第三预设层输出的第三人脸特征信息；

解析单元，配置用于对所述第一人脸特征信息和所述第二人脸特征信息进行解析，生成第一尺度的人脸检测结果，对所述第二人脸特征信息和所述第三人脸特征信息进行解析，生成第二尺度的人脸检测结果；

结合单元，配置用于将所述第一尺度的人脸检测结果和所述第二尺度的人脸检测结果进行结合，生成人脸检测结果。

9.根据权利要求8所述的装置，其中，所述解析单元包括：

融合模块，配置用于将所述第一人脸特征信息和所述第二人脸特征信息进行融合，得到第一融合人脸特征信息；

检测模块，配置用于将第一融合人脸特征信息输入至第一尺度人脸检测模型，得到第一尺度的人脸检测结果，其中，所述第一尺度人脸检测模型用于表征第一融合人脸特征信息与第一尺度的人脸检测结果之间的对应关系。

10.根据权利要求9所述的装置，其中，所述第一尺度人脸检测模型通过如下步骤训练得到：初始化所述第一尺度人脸检测模型的参数；

获取训练样本集，其中，所述训练样本集中的每个训练样本包括样本图像和样本图像所对应的第一尺度的人脸标注结果；

对于所述训练样本集中的每个训练样本，执行以下操作：将该训练样本中的样本图像输入至所述多层卷积神经网络，得到从所述第一预设层输出的、该训练样本所对应的第一人脸特征信息和从所述第二预设层输出的、该训练样本所对应的第二人脸特征信息；将该训练样本所对应的第一人脸特征信息和该训练样本所对应的第二人脸特征信息进行融合，得到该训练样本所对应的第一融合人脸特征信息；将该训练样本所对应的第一融合人脸特征信息输入至所述第一尺度人脸检测模型，得到该训练样本所对应的第一尺度的人脸检测结果；确定该训练样本所对应的第一尺度的人脸检测结果与该训练样本中的样本图像所对应的第一尺度的人脸标注结果之间的差异；基于所述差异调整所述第一尺度人脸检测模型的参数。

11.一种电子设备，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。

12.一种计算机可读存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1-7中任一所述的方法。

说明书

用于检测人脸的方法和装置

技术领域

[0001] 本申请实施例涉及计算机技术领域，具体涉及图像识别技术领域，尤其涉及用于检测人脸的方法和装置。

背景技术

[0002] 人脸检测，即对于任意一幅给定的图像，采用一定的策略对其进行搜索以确定其中是否含有人脸，如果是则返回人脸的位置、大小和姿态等信息。

[0003] 现有的图像中通常会包括多种尺度的人脸图像区域，为了检测出不同尺度的人脸图像区域，现有的人脸检测方式通常会生成包含不同尺度的图像的图像金字塔，并对图像金字塔中不同尺度的图像分别进行不同尺度人脸检测。

发明内容

[0004] 本申请实施例提出了用于检测人脸的方法和装置。

[0005] 第一方面，本申请实施例提供了一种用于检测人脸的方法，该方法包括：获取待检测图像，其中，待检测图像包括多种尺度的人脸图像区域；将待检测图像输入至预先训练的多层卷积神经网络，得到从多层卷积神经网络的第一预设层输出的第一人脸特征信息，从多层卷积神经网络的第二预设层输出的第二人脸特征信息和从多层卷积神经网络的第三预设层输出的第三人脸特征信息；对第一人脸特征信息和第二人脸特征信息进行解析，生成第一尺度的人脸检测结果；对第二人脸特征信息和第三人脸特征信息进行解析，生成第二尺度的人脸检测结果；将第一尺度的人脸检测结果和第二尺度的人脸检测结果进行结合，生成人脸检测结果。

[0006] 在一些实施例中，第一预设层的输入为待检测图像，第二预设层的输入为第一人脸特征信息，第三预设层的输入为第二人脸特征信息。

[0007] 在一些实施例中，对第一人脸特征信息和第二人脸特征信息进行解析，生成第一尺度的人脸检测结果，包括：将第一人脸特征信息和第二人脸特征信息进行融合，得到第一融合人脸特征信息；将第一融合人脸特征信息输入至第一尺度人脸检测模型，得到第一尺度的人脸检测结果，其中，第一尺度人脸检测模型用于表征第一融合人脸特征信息与第一尺度的人脸检测结果之间的对应关系。

[0008] 在一些实施例中，人脸特征信息是人脸特征图，人脸特征图中的每个点用于表征待检测图像中的该点所对应的区域存在人脸特征的概率和该点所对应的区域的位置信息，人脸特征图以矩阵进行表示。

[0009] 在一些实施例中，将第一人脸特征信息和第二人脸特征信息进行融合，得到第一融合人脸特征信息，包括：将第一人脸特征信息所对应的第一人脸特征图的对应点所包括的数据和第二人脸特征信息所对应的第二人脸特征图的对应点所包括的数据作为第一融合人脸特征信息所对应的第一融合人脸特征图的对应点所包括的数据；或者将第一人脸特征信息所对应的第一人脸特征图的对应点所包括的数据和第二人脸特征信息所对应的第二人脸特征图的对应点所包括的数据的乘积作为第一融合人脸特征信息所对应的第一融合人脸特征图的对应点所包括的数据；或者将第一人脸特征信息所对应的第一人脸特征图的对应点所包括的数据和第二人脸特征信息所对应的第二人脸特征图的对应点所包括的数据的和作为第一融合人脸特征信息所对应的第一融合人脸特征图的对应点所包括的数据；或者将第一人脸特征信息所对应的第一人脸特征图的对应点所包括的数据和第二人脸特征信息所对应的第二人脸特征图的对应点所包括的数据中最大的数据作为第一融合人脸特征信息所对应的第一融合人脸特征图的对应点所包括的数据。

[0010] 在一些实施例中，第一尺度人脸检测模型通过如下步骤训练得到：初始化第一尺度人脸检测模型的参数；获取训练样本集，其中，训练样本集中的每个训练样本包括样本图像和样本图像所对应的第一尺度的人脸标注结果；对于训练样本集中的每个训练样本，执行以下操作：将该训练样本中的样本图像输入至多层卷积神经网络，得到从第一预设层输出的、该训练样本所对应的第一人脸特征信息和从第二预设层输出的、该训练样本所对应的第二人脸特征信息；将该训练样本所对应的第一人脸特征信息和该训练样本所对应的第二人脸特征信息进行融合，得到该训练样本所对应的第一融合人脸特征信息；将该训练样本所对应的第一融合人脸特征信息输入至第一尺度人脸检测模型，得到该训练样本所对应的第一尺度的人脸检测结果；确定该训练样本所对应的第一尺度的人脸检测结果与该训练样本中的样本图像所对应的第一尺度的人脸标注结果之间的差异；基于差异调整第一尺度人脸检测模型的参数。

[0011] 在一些实施例中，多层卷积神经网络还包括第四预设层；以及该方法还包括：得到从多层卷积神经网络的第四预设层输出的第四人脸特征信息；对第三人脸特征信息和第四人脸特征信息进行解析，生成第三尺度的人脸检测结果；将第一尺度的人脸检测结果和第二尺度的人脸检测结果进行结合，生成人脸检测结果，包括：将第一尺度的人脸检测结果、第二尺度的人脸检测结果和第三尺度的人脸检测结果进行结合，生成人脸检测结果。

[0012] 第二方面，本申请实施例提供了一种用于检测人脸的装置，该装置包括：获取单元，配置用于获取待检测图像，其中，待检测图像包括多种尺度的人脸图像区域；提取单元，配置用于将待检测图像输入至预先训练的多层卷积神经网络，得到从多层卷积神经网络的第一预设层输出的第一人脸特征信息，从多层卷积神经网络的第二预设层输出的第二人脸特征信息和从多层卷积神经网络的第三预设层输出的第三人脸特征信息；解析单元，配置用于对第一人脸特征信息和第二人脸特征信息进行解析，生成第一尺度的人脸检测结果，对第二人脸特征信息和第三人脸特征信息进行解析，生成第二尺度的人脸检测结果；结合单元，配置用于将第一尺度的人脸检测结果和第二尺度的人脸检测结果进行结合，生成人脸检测结果。

[0013] 在一些实施例中，第一预设层的输入为待检测图像，第二预设层的输入为第一人脸特征信息，第三预设层的输入为第二人脸特征信息。

[0014] 在一些实施例中，解析单元包括：融合模块，配置用于将第一人脸特征信息和第二人脸特征信息进行融合，得到第一融合人脸特征信息；检测模块，配置用于将第一融合人脸特征信息输入至第一尺度人脸检测模型，得到第一尺度的人脸检测结果，其中，第一尺度人脸检测模型用于表征第一融合人脸特征信息与第一尺度的人脸检测结果之间的对应关系。

[0015] 在一些实施例中，人脸特征信息是人脸特征图，人脸特征图中的每个点用于表征待检测图像中的该点所对应的区域存在人脸特征的概率和该点所对应的区域的位置信息，人脸特征图以矩阵进行表示。

[0016] 在一些实施例中，融合模块进一步配置用于：将第一人脸特征信息所对应的第一人脸特征图的对应点所包括的数据和第二人脸特征信息所对应的第二人脸特征图的对应点所包括的数据作为第一融合人脸特征信息所对应的第一融合人脸特征图的对应点所包括的数据；或者将第一人脸特征信息所对应的第一人脸特征图的对应点所包括的数据和第二人脸特征信息所对应的第二人脸特征图的对应点所包括的数据的乘积作为第一融合人脸特征信息所对应的第一融合人脸特征图的对应点所包括的数据；或者将第一人脸特征信息所对应的第一人脸特征图的对应点所包括的数据和第二人脸特征信息所对应的第二人脸特征图的对应点所包括的数据的和作为第一融合人脸特征信息所对应的第一融合人脸特征图的对应点所包括的数据；或者将第一人脸特征信息所对应的第一人脸特征图的对应点所包括的数据和第二人脸特征信息所对应的第二人脸特征图的对应点所包括的数据中最大的数据作为第一融合人脸特征信息所对应的第一融合人脸特征图的对应点所包括的数据。

[0017] 在一些实施例中，第一尺度人脸检测模型通过如下步骤训练得到：初始化第一尺度人脸检测模型的参数；获取训练样本集，其中，训练样本集中的每个训练样本包括样本图像和样本图像所对应的第一尺度的人脸标注结果；对于训练样本集中的每个训练样本，执行以下操作：将该训练样本中的样本图像输入至多层卷积神经网络，得到从第一预设层输出的、该训练样本所对应的第一人脸特征信息和从第二预设层输出的、该训练样本所对应的第二人脸特征信息；将该训练样本所对应的第一人脸特征信息和该训练样本所对应的第二人脸特征信息进行融合，得到该训练样本所对应的第一融合人脸特征信息；将该训练样本所对应的第一融合人脸特征信息输入至第一尺度人脸检测模型，得到该训练样本所对应的第一尺度的人脸检测结果；确定该训练样本所对应的第一尺度的人脸检测结果与该训练样本中的样本图像所对应的第一尺度的人脸标注结果之间的差异；基于差异调整第一尺度人脸检测模型的参数。

[0018] 在一些实施例中，多层卷积神经网络还包括第四预设层；以及提取单元，还配置用于得到从多层卷积神经网络的第四预设层输出的第四人脸特征信息；解析单元，还配置用于对第三人脸特征信息和第四人脸特征信息进行解析，生成第三尺度的人脸检测结果；结合单元，还配置用于将第一尺度的人脸检测结果、第二尺度的人脸检测结果和第三尺度的人脸检测结果进行结合，生成人脸检测结果。

[0019] 第三方面，本申请实施例提供了一种电子设备，该电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。

[0020] 第四方面，本申请实施例提供了一种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第一方面中任一实现方式描述的方法。

[0021] 本申请实施例提供的用于检测人脸的方法和装置，通过将所获取的待检测图像输入至用于提取人脸特征信息的多层卷积神经网络，从而得到从第一预设层输出的第一人脸特征信息，从第二预设层输出的第二人脸特征信息和从第三预设层输出的第三人脸特征信息；然后对第一人脸特征信息和第二人脸特征信息进行解析，从而生成第一尺度的人脸检测结果，同时对第二人脸特征信息和第三人脸特征信息进行解析，从而生成第二尺度的人脸检测结果；最后将第一尺度的人脸检测结果和第二尺度的人脸检测结果进行结合，从而生成人脸检测结果。利用多层卷积神经网络的不同层输出的人脸特征信息进行不同尺度的人脸检测，不需要预先对图像进行多尺度变换，就能够同时对图像中的不同尺度的人脸图像区域进行检测，从而提高了多尺度人脸检测的效率。

附图说明

[0022] 通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

[0023] 图1是本申请可以应用于其中的示例性系统架构图；

[0024] 图2是根据本申请的用于检测人脸的方法的一个实施例的流程图；

[0025] 图3是根据本申请的用于检测人脸的方法的又一个实施例的流程图；

[0026] 图4是根据本申请的用于检测人脸的装置的一个实施例的结构示意图；

[0027] 图5是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。

具体实施方式

[0028] 下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

[0029] 需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

[0030] 图1示出了可以应用本申请的用于检测人脸的方法或用于检测人脸的装置的实施例的示例性系统架构100。

[0031] 如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

[0032] 用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如摄影摄像类应用、图像处理类应用等。

[0033] 终端设备101、102、103可以是具有显示屏的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

[0034] 服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上传的图像进行处理的图像处理服务器。图像处理服务器可以对接收到的待检测图像等进行分析等处理，并将处理结果(例如人脸检测结果)反馈给终端设备。

[0035] 需要说明的是，本申请实施例所提供的用于检测人脸的方法一般由服务器105执行，相应地，用于检测人脸的装置一般设置于服务器105中。

[0036] 应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。在服务器105本地存储有待检测图像的情况下，系统架构100可以不设置终端设备101、102、103。

[0037] 继续参考图2，其示出了根据本申请的用于检测人脸的方法的一个实施例的流程200。该用于检测人脸的方法，包括以下步骤：

[0038] 步骤201，获取待检测图像。

[0039] 在本实施例中，用于检测人脸的方法运行于其上的电子设备(例如图1所示的服务器105)可以从本地或者与其通信连接的终端设备(例如图1所示的终端设备101、102、103)获取待检测图像。其中，待检测图像可以包括但不限于灰度图像、彩色图像(RGB图像)、深度图像(Depth图像)和红外图像等。通常，待检测图像可以包括多种尺度的人脸图像区域，不同尺度的人脸图像区域包括不同的像素点数。作为示例，若待检测图像中的人脸图像区域的像素点数均在10-150内，那么待检测图像中的人脸图像区域可以被划分为两种尺度，例如，10-30像素点的人脸图像区域和30-150像素点的人脸图像区域。

[0040] 步骤202，将待检测图像输入至预先训练的多层卷积神经网络，得到从多层卷积神经网络的第一预设层输出的第一人脸特征信息，从多层卷积神经网络的第二预设层输出的第二人脸特征信息和从多层卷积神经网络的第三预设层输出的第三人脸特征信息。

[0041] 在本实施例中，基于步骤201所获取的待检测图像，电子设备可以将待检测图像输入至用于提取人脸特征信息的多层卷积神经网络，从而得到从第一预设层输出的第一人脸特征信息，从第二预设层输出的第二人脸特征信息和从第三预设层输出的第三人脸特征信息。

[0042] 这里，多层卷积神经网络可以用于提取人脸特征信息，包括多个预设层，例如包括第一预设层、第二预设层和第三预设层。其中，第一预设层、第二预设层和第三预设层均可以包括至少一个卷积层和至少一个池化层，卷积层可以用于提取图像特征，池化层可以用于对输入的信息进行下采样，从而实现对输入信息进行降维。实践中，卷积神经网络(Convolutional Neural Network，CNN)是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于图像处理有出色表现，因而，可以利用多层卷积神经网络进行人脸特征信息的提取。

[0043] 这里，人脸特征信息可以是用于对图像中的人脸特征进行描述的信息，人脸特征可以是与人脸相关的各种基本要素(例如颜色、纹理、线条、人脸的概率、人脸的位置)等。其中，第一人脸特征信息可以包括较多的颜色、纹理、线条等细节信息，较少的人脸的概率等语义信息。第二人脸特征信息可以包括比第一人脸特征信息中少的细节信息，比第一人脸特征信息中多的语义信息。第三人脸特征信息可以包括比第二人脸特征信息中少的细节信息，比第二人脸特征信息中多的语义信息。

[0044] 在本实施例的一些可选的实现方式中，第一预设层的输入可以为待检测图像，第一预设层的输出可以为第一人脸特征信息，第二预设层的输入可以为第一人脸特征信息，第二预设层的输出可以为第二人脸特征信息，第三预设层的输入可以为第二人脸特征信息，第三预设层的输出可以为第三人脸特征信息。由于预设层包括池化层，第二人脸特征信息的维度小于第一人脸特征信息的维度，第三人脸特征信息的维度小于第二人脸特征信息的维度。人脸特征信息的维度越大，其具有的细节信息越多，语义信息越少；人脸特征信息的维度越小，其具有的细节信息越少，语义信息越多。

[0045] 需要说明的是，多层卷积神经网络可以是利用机器学习方法和训练样本对现有的深度卷积神经网络(例如ResNet-50)进行有监督训练而得到的。其中，训练样本可以包括大量的图像和图像的第一人脸特征信息、第二人脸特征信息和第三人脸特征信息。

[0046] 步骤203，对第一人脸特征信息和第二人脸特征信息进行解析，生成第一尺度的人脸检测结果。

[0047] 在本实施例中，基于步骤202所得到的第一人脸特征信息和第二人脸特征信息，电子设备可以对第一人脸特征信息和第二人脸特征信息进行解析，从而生成第一尺度(例如10-30像素点)的人脸检测结果。

[0048] 这里，由于第一人脸特征信息和第二人脸特征信息具有相对较高的维度(例如相对于第三人脸特征信息)，适合用于检测尺度相对较小(例如10-30像素点)的人脸图像区域。第一尺度的人脸检测结果可以用于指示待检测图像中是否存在第一尺度的人脸图像区域和待检测图像中的第一尺度的人脸图像区域的位置。

[0049] 这里，电子设备可以通过多种方式对第一人脸特征信息和第二人脸特征信息进行解析。作为示例，电子设备中可以预先存储有大量的第一人脸特征信息、第二人脸特征信息和第一尺度的人脸检测结果的第一对应关系表。电子设备可以利用待检测图像的第一人脸特征信息和第二人脸特征信息在第一对应关系表中查找，从而得到对应的第一尺度的人脸检测结果。其中，第一对应关系表可以是本领域技术人员通过对大量包括第一尺度的人脸图像区域的图像进行统计分析而预先制定的。

[0050] 步骤204，对第二人脸特征信息和第三人脸特征信息进行解析，生成第二尺度的人脸检测结果。

[0051] 在本实施例中，基于步骤202所得到的第二人脸特征信息和第三人脸特征信息，电子设备可以对第二人脸特征信息和第三人脸特征信息进行解析，从而生成第二尺度(例如30-150像素点)的人脸检测结果。

[0052] 这里，电子设备可以通过多种方式对第二人脸特征信息和第三人脸特征信息进行解析。作为示例，电子设备中可以预先存储有大量的第二人脸特征信息、第三人脸特征信息和第二尺度的人脸检测结果的第二对应关系表，电子设备可以利用待检测图像的第二人脸特征信息和第三人脸特征信息在第二对应关系表中查找，从而得到对应的第二尺度的人脸检测结果。其中，第二对应关系表可以是本领域技术人员通过对大量包括第二尺度的人脸图像区域的图像进行统计分析而预先制定的。

[0053] 步骤205，将第一尺度的人脸检测结果和第二尺度的人脸检测结果进行结合，生成人脸检测结果。

[0054] 在本实施例中，基于步骤203所得到的第一尺度的人脸特征检测结果和步骤204所得到的第二尺度的人脸特征检测结果，电子设备可以将第一尺度的人脸检测结果和第二尺度的人脸检测结果进行结合，从而生成人脸检测结果。其中，人脸检测结果可以用于指示待检测图像中是否存在人脸图像区域和待检测图像中的人脸图像区域的位置。

[0055] 在本实施例的一些可选的实现方式中，待检测图像中的人脸图像区域还可以被划分N(N为正整数)种尺度，此时，多层卷积神经网络可以包括(N+1)个预设层。作为示例，若待检测图像中的人脸图像区域的像素点数均在10-300内，那么待检测图像中的人脸图像区域还可以被划分为三种尺度，例如，10-30像素点的人脸图像区域、30-150像素点的人脸图像区域和150-300像素点的人脸图像区域。此时，多层卷积神经网络可以包括四个预设层，第一预设层、第二预设层、第三预设层和第四预设层，并且，在将待检测图像输入至多层卷积神经网络时，电子设备还可以得到从多层卷积神经网络的第四预设层输出的第四人脸特征信息；然后对第三人脸特征信息和第四人脸特征信息进行解析，生成第三尺度(例如150-300像素点)的人脸检测结果；最后将第一尺度的人脸检测结果、第二尺度的人脸检测结果和第三尺度的人脸检测结果进行结合，生成人脸检测结果。需要说明的是，解析第三人脸特征信息和第四人脸特征信息的具体操作可参考图2所示实施例中步骤203中的相关描述，在此不再赘述。

[0056] 本申请实施例提供的用于检测人脸的方法，通过将所获取的待检测图像输入至用于提取人脸特征信息的多层卷积神经网络，从而得到从第一预设层输出的第一人脸特征信息，从第二预设层输出的第二人脸特征信息和从第三预设层输出的第三人脸特征信息；然后对第一人脸特征信息和第二人脸特征信息进行解析，从而生成第一尺度的人脸检测结果，同时对第二人脸特征信息和第三人脸特征信息进行解析，从而生成第二尺度的人脸检测结果；最后将第一尺度的人脸检测结果和第二尺度的人脸检测结果进行结合，从而生成人脸检测结果。利用多层卷积神经网络的不同层输出的人脸特征信息进行不同尺度的人脸检测，不需要预先对图像进行多尺度变换，就能够同时对图像中的不同尺度的人脸图像区域进行检测，从而提高了多尺度人脸检测的效率。

[0057] 进一步参考图3，其示出了根据本申请的用于检测人脸的方法的又一个实施例的流程300。该用于检测人脸的方法的流程300，包括以下步骤：

[0058] 步骤301，获取待检测图像。

[0059] 在本实施例中，用于检测人脸的方法运行于其上的电子设备(例如图1所示的服务器105)可以从本地或者与其通信连接的终端设备(例如图1所示的终端设备101、102、103)获取待检测图像。其中，待检测图像可以包括但不限于灰度图像、彩色图像、深度图像和红外图像等。通常，待检测图像可以包括多种尺度的人脸图像区域，不同尺度的人脸图像区域包括不同的像素点数。

[0060] 步骤302，将待检测图像输入至预先训练的多层卷积神经网络，得到从多层卷积神经网络的第一预设层输出的第一人脸特征信息，从多层卷积神经网络的第二预设层输出的第二人脸特征信息和从多层卷积神经网络的第三预设层输出的第三人脸特征信息。

[0061] 在本实施例中，基于步骤301所获取的待检测图像，电子设备可以将待检测图像输入至用于提取人脸特征信息的多层卷积神经网络，从而得到从第一预设层输出的第一人脸特征信息，从第二预设层输出的第二人脸特征信息和从第三预设层输出的第三人脸特征信息。其中，多层卷积神经网络可以用于提取人脸特征信息。

[0062] 步骤303，将第一人脸特征信息和第二人脸特征信息进行融合，得到第一融合人脸特征信息。

[0063] 在本实施例中，基于步骤302所得到的第一人脸特征信息和第二人脸特征信息，电子设备可以将第一人脸特征信息和第二人脸特征信息进行融合，从而得到第一融合人脸特征信息。通常，第一人脸特征信息和第二人脸特征信息是不同维度的信息，这里，电子设备可以首先对第一人脸特征信息或第二人脸特征信息进行缩放，使第一人脸特征信息与第二人脸特征信息的维度相同；然后将维度相同的第一人脸特征信息和第二人脸特征信息进行融合。

[0064] 在本实施例的一些可选的实现方式中，人脸特征信息可以是人脸特征图。人脸特征图中的每个点可以用于表征待检测图像中的该点所对应的区域存在人脸特征的概率和该点所对应的区域的位置信息。人脸特征图以矩阵进行表示，人脸特征图中的每个点所包括的数据可以是矩阵中的一个元素。实践中，由于多层卷积神经网络中的预设层包括用于执行下采样操作的池化层，因此，人脸特征图中的每个点与待检测图像中的一个区域相对应，且第二人脸特征图中的每个点所对应的待检测图像中的区域比第一人脸特征图中的每个点所对应的待检测图像中的区域大，第三人脸特征图中的每个点所对应的待检测图像中的区域比第二人脸特征图中的每个点所对应的待检测图像中的区域大。

[0065] 这里，电子设备可以通过如下任意一种方式将第一人脸特征信息和第二人脸特征信息进行融合：

[0066] 1、将第一人脸特征信息所对应的第一人脸特征图的对应点所包括的数据和第二人脸特征信息所对应的第二人脸特征图的对应点所包括的数据作为第一融合人脸特征信息所对应的第一融合人脸特征图的对应点所包括的数据。作为示例，若第一人脸特征图和第二人脸特征图均是w×h的矩阵，其中，w和h均为正整数，即第一人脸特征图和第二人脸特征图横向有w个点，纵向有h个点，且第一人脸特征图的一个点所包括的数据是A，第二人脸特征图的相应点所包括的数据是B，那么第一融合人脸特征信息所对应的第一融合人脸特征图也是w×h的矩阵，且第一融合人脸特征图的相应点所包括的数据是A和B。

[0067] 2、将第一人脸特征信息所对应的第一人脸特征图的对应点所包括的数据和第二人脸特征信息所对应的第二人脸特征图的对应点所包括的数据的乘积作为第一融合人脸特征信息所对应的第一融合人脸特征图的对应点所包括的数据。作为示例，若第一人脸特征图和第二人脸特征图均是w×h的矩阵，其中，w和h均为正整数，即第一人脸特征图和第二人脸特征图横向有w个点，纵向有h个点，且第一人脸特征图的一个点所包括的数据是A，第二人脸特征图的相应点所包括的数据是B，那么第一融合人脸特征信息所对应的第一融合人脸特征图也是w×h的矩阵，且第一融合人脸特征图的相应点所包括的数据是A×B。

[0068] 3、将第一人脸特征信息所对应的第一人脸特征图的对应点所包括的数据和第二人脸特征信息所对应的第二人脸特征图的对应点所包括的数据的和作为第一融合人脸特征信息所对应的第一融合人脸特征图的对应点所包括的数据。作为示例，若第一人脸特征图和第二人脸特征图均是w×h的矩阵，其中，w和h均为正整数，即第一人脸特征图和第二人脸特征图横向有w个点，纵向有h个点，且第一人脸特征图的一个点所包括的数据是A，第二人脸特征图的相应点所包括的数据是B，那么第一融合人脸特征信息所对应的第一融合人脸特征图也是w×h的矩阵，且第一融合人脸特征图的相应点所包括的数据是A+B。

[0069] 4、将第一人脸特征信息所对应的第一人脸特征图的对应点所包括的数据和第二人脸特征信息所对应的第二人脸特征图的对应点所包括的数据中最大的数据作为第一融合人脸特征信息所对应的第一融合人脸特征图的对应点所包括的数据。作为示例，若第一人脸特征图和第二人脸特征图均是w×h的矩阵，其中，w和h均为正整数，即第一人脸特征图和第二人脸特征图横向有w个点，纵向有h个点，且第一人脸特征图的一个点所包括的数据是A，第二人脸特征图的相应点所包括的数据是B，那么第一融合人脸特征信息所对应的第一融合人脸特征图也是w×h的矩阵，且第一融合人脸特征图的相应点所包括的数据是max(A，B)。

[0070] 步骤304，将第一融合人脸特征信息输入至第一尺度人脸检测模型，得到第一尺度的人脸检测结果。

[0071] 在本实施例中，基于步骤303所生成的第一融合人脸特征信息，电子设备可以将第一融合人脸特征信息输入至第一尺度人脸检测模型，从而得到第一尺度的人脸检测结果。其中，第一尺度人脸检测模型可以用于表征第一融合人脸特征信息与第一尺度的人脸检测结果之间的对应关系。

[0072] 这里，第一尺度人脸检测模型可以是通过多种方式训练得到的。

[0073] 作为一种示例，本领域技术人员可以对大量包括第一尺度的人脸图像区域的图像进行统计分析，从而制定出存储有大量第一融合人脸特征信息和第一尺度的人脸检测结果的对应关系表，并将该对应关系表作为第一尺度人脸检测模型。电子设备可以利用待检测图像的第一融合人脸特征信息在对应关系表中查找，从而得到对应的第一尺度的人脸检测结果。

[0074] 作为另一种示例，电子设备可以利用机器学习方法和训练样本对现有的人脸检测模型进行有监督训练得到第一尺度人脸检测模型。具体训练步骤如下：

[0075] 第一，初始化第一尺度人脸检测模型的参数。

[0076] 实践中，可以将第一尺度人脸检测模型的参数(例如，权值参数和偏置参数)用一些不同的小随机数进行初始化。“小随机数”用来保证模型不会因权值过大而进入饱和状态，从而导致训练失败，“不同”用来保证模型可以正常地学习。

[0077] 第二，获取训练样本集。

[0078] 这里，训练样本集中的每个训练样本可以包括样本图像和样本图像所对应的第一尺度的人脸标注结果。样本图像通常会包括多种尺度的人脸图像区域，可以对样本图像中的第一尺度的人脸图像区域进行标注，从而生成样本图像所对应的第一尺度的人脸标注结果。

[0079] 第三，对于训练样本集中的每个训练样本，执行以下操作：

[0080] 1、将该训练样本中的样本图像输入至多层卷积神经网络，得到从第一预设层输出的、该训练样本所对应的第一人脸特征信息和从第二预设层输出的、该训练样本所对应的第二人脸特征信息。

[0081] 2、将该训练样本所对应的第一人脸特征信息和该训练样本所对应的第二人脸特征信息进行融合，得到该训练样本所对应的第一融合人脸特征信息。

[0082] 需要说明的是，融合训练样本所对应的第一人脸特征信息和第二人脸特征信息的具体操作可参考图3所示实施例中步骤303中的相关描述，在此不再赘述。

[0083] 3、将该训练样本所对应的第一融合人脸特征信息输入至第一尺度人脸检测模型，得到该训练样本所对应的第一尺度的人脸检测结果。

[0084] 4、确定该训练样本所对应的第一尺度的人脸检测结果与该训练样本中的样本图像所对应的第一尺度的人脸标注结果之间的差异。

[0085] 这里，电子设备可以采用各种损失函数来确定差异，采用损失函数确定差异的方式是目前广泛研究和应用的公知技术，在此不再赘述。

[0086] 5、基于差异调整第一尺度人脸检测模型的参数。

[0087] 这里，可以采用各种实现方式基于差异调整第一尺度人脸检测模型的参数。例如，可以采用BP(Back Propagation，反向传播)算法或者SGD(Stochastic Gradient Descent，随机梯度下降)算法来调整第一尺度人脸检测模型的参数。

[0088] 步骤305，将第二人脸特征信息和第三人脸特征信息进行融合，得到第二融合人脸特征信息。

[0089] 在本实施例中，基于步骤302所得到的第二人脸特征信息和第三人脸特征信息，电子设备可以将第二人脸特征信息和第三人脸特征信息进行融合，从而得到第二融合人脸特征信息。通常，第二人脸特征信息和第三人脸特征信息是不同维度的信息，这里，电子设备可以首先对第二人脸特征信息或第三人脸特征信息进行缩放，使第二人脸特征信息与第三人脸特征信息的维度相同；然后将维度相同的第一人脸特征信息和第二人脸特征信息进行融合。

[0090] 需要说明的是，融合第二人脸特征信息和第三人脸特征信息的具体操作可参考图3所示实施例中步骤303中的相关描述，在此不再赘述。

[0091] 步骤306，将第二融合人脸特征信息输入至第二尺度人脸检测模型，得到第二尺度的人脸检测结果。

[0092] 在本实施例中，基于步骤305所生成的第二融合人脸特征信息，电子设备可以将第二融合人脸特征信息输入至第二尺度人脸检测模型，从而得到第二尺度的人脸检测结果。其中，第二尺度人脸检测模型可以用于表征第二融合人脸特征信息与第二尺度的人脸检测结果之间的对应关系。

[0093] 需要说明的是，第二尺度人脸检测模型的训练方式与第一尺度人脸检测模型的训练方式类似，在此不再赘述。

[0094] 步骤307，将第一尺度的人脸检测结果和第二尺度的人脸检测结果进行结合，生成人脸检测结果。

[0095] 在本实施例中，基于步骤305所得到的第一尺度的人脸特征检测结果和步骤306所得到的第二尺度的人脸特征检测结果，电子设备可以将第一尺度的人脸检测结果和第二尺度的人脸检测结果进行结合，从而生成人脸检测结果。其中，人脸检测结果可以用于指示待检测图像中是否存在人脸图像区域和待检测图像中的人脸图像区域的位置。

[0096] 从图3中可以看出，与图2对应的实施例相比，本实施例中的用于检测人脸的方法的流程300突出了对人脸特征信息进行解析以得到不同尺度的人脸检测结果的步骤。由此，本实施例描述的方案可以利用第一尺度人脸检测模型检测第一尺度的人脸检测结果，并利用第二尺度人脸检测模型检测第二尺度的人脸检测结果，从而提高了人脸检测结果的准确度。

[0097] 进一步参考图4，作为对上述各图所示方法的实现，本申请提供了一种用于检测人脸的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

[0098] 如图4所示，本实施例的用于检测人脸的装置400可以包括：获取单元401、提取单元402、解析单元403和结合单元404。其中，获取单元401，配置用于获取待检测图像，其中，待检测图像包括多种尺度的人脸图像区域；提取单元402，配置用于将待检测图像输入至预先训练的多层卷积神经网络，得到从多层卷积神经网络的第一预设层输出的第一人脸特征信息，从多层卷积神经网络的第二预设层输出的第二人脸特征信息和从多层卷积神经网络的第三预设层输出的第三人脸特征信息；解析单元403，配置用于对第一人脸特征信息和第二人脸特征信息进行解析，生成第一尺度的人脸检测结果，对第二人脸特征信息和第三人脸特征信息进行解析，生成第二尺度的人脸检测结果；结合单元404，配置用于将第一尺度的人脸检测结果和第二尺度的人脸检测结果进行结合，生成人脸检测结果。

[0099] 在本实施例中，用于检测人脸的装置400中：获取单元401、提取单元402、解析单元403和结合单元404的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤
201、步骤202、步骤203-204和步骤205的相关说明，在此不再赘述。

[0100] 在本实施例的一些可选的实现方式中，第一预设层的输入可以为待检测图像，第二预设层的输入可以为第一人脸特征信息，第三预设层的输入可以为第二人脸特征信息。

[0101] 在本实施例的一些可选的实现方式中，解析单元403可以包括：融合模块(图中未示出)，配置用于将第一人脸特征信息和第二人脸特征信息进行融合，得到第一融合人脸特征信息；检测模块(图中未示出)，配置用于将第一融合人脸特征信息输入至第一尺度人脸检测模型，得到第一尺度的人脸检测结果，其中，第一尺度人脸检测模型用于表征融合人脸特征信息与第一尺度的人脸检测结果之间的对应关系。

[0102] 在本实施例的一些可选的实现方式中，人脸特征信息是人脸特征图，人脸特征图中的每个点用于表征待检测图像中的该点所对应的区域存在人脸特征的概率和该点所对应的区域的位置信息，人脸特征图以矩阵进行表示。

[0103] 在本实施例的一些可选的实现方式中，融合模块可以进一步配置用于：将第一人脸特征信息所对应的第一人脸特征图的对应点所包括的数据和第二人脸特征信息所对应的第二人脸特征图的对应点所包括的数据作为第一融合人脸特征信息所对应的第一融合人脸特征图的对应点所包括的数据；或者将第一人脸特征信息所对应的第一人脸特征图的对应点所包括的数据和第二人脸特征信息所对应的第二人脸特征图的对应点所包括的数据的乘积作为第一融合人脸特征信息所对应的第一融合人脸特征图的对应点所包括的数据；或者将第一人脸特征信息所对应的第一人脸特征图的对应点所包括的数据和第二人脸特征信息所对应的第二人脸特征图的对应点所包括的数据的和作为第一融合人脸特征信息所对应的第一融合人脸特征图的对应点所包括的数据；或者将第一人脸特征信息所对应的第一人脸特征图的对应点所包括的数据和第二人脸特征信息所对应的第二人脸特征图的对应点所包括的数据中最大的数据作为第一融合人脸特征信息所对应的第一融合人脸特征图的对应点所包括的数据。

[0104] 在本实施例的一些可选的实现方式中，第一尺度人脸检测模型可以通过如下步骤训练得到：初始化第一尺度人脸检测模型的参数；获取训练样本集，其中，训练样本集中的每个训练样本包括样本图像和样本图像所对应的第一尺度的人脸标注结果；对于训练样本集中的每个训练样本，执行以下操作：将该训练样本中的样本图像输入至多层卷积神经网络，得到从第一预设层输出的、该训练样本所对应的第一人脸特征信息和从第二预设层输出的、该训练样本所对应的第二人脸特征信息；将该训练样本所对应的第一人脸特征信息和该训练样本所对应的第二人脸特征信息进行融合，得到该训练样本所对应的第一融合人脸特征信息；将该训练样本所对应的第一融合人脸特征信息输入至第一尺度人脸检测模型，得到该训练样本所对应的第一尺度的人脸检测结果；确定该训练样本所对应的第一尺度的人脸检测结果与该训练样本中的样本图像所对应的第一尺度的人脸标注结果之间的差异；基于差异调整第一尺度人脸检测模型的参数。

[0105] 在本实施例的一些可选的实现方式中，多层卷积神经网络还可以包括第四预设层；以及提取单元402，还可以配置用于得到从多层卷积神经网络的第四预设层输出的第四人脸特征信息；解析单元403，还可以配置用于对第三人脸特征信息和第四人脸特征信息进行解析，生成第三尺度的人脸检测结果；结合单元404，还可以配置用于将第一尺度的人脸检测结果、第二尺度的人脸检测结果和第三尺度的人脸检测结果进行结合，生成人脸检测结果。

[0106] 下面参考图5，其示出了适于用来实现本申请实施例的电子设备的计算机系统500的结构示意图。图5示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

[0107] 如图5所示，计算机系统500包括中央处理单元(CPU)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有系统500操作所需的各种程序和数据。CPU 501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。

[0108] 以下部件连接至I/O接口505：包括键盘、鼠标等的输入部分506；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入存储部分508。

[0109] 特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。
计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

[0110] 可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，所述程序设计语言包括面向目标的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

[0111] 附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

[0112] 描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、提取单元、解析单元和结合单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取待检测图像的单元”。

[0113] 作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取待检测图像，其中，待检测图像包括多种尺度的人脸图像区域；
将待检测图像输入至预先训练的多层卷积神经网络，得到从多层卷积神经网络的第一预设层输出的第一人脸特征信息，从多层卷积神经网络的第二预设层输出的第二人脸特征信息和从多层卷积神经网络的第三预设层输出的第三人脸特征信息；对第一人脸特征信息和第二人脸特征信息进行解析，生成第一尺度的人脸检测结果；对第二人脸特征信息和第三人脸特征信息进行解析，生成第二尺度的人脸检测结果；将第一尺度的人脸检测结果和第二尺度的人脸检测结果进行结合，生成人脸检测结果。

[0114] 以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。