本发明涉及计算机技术领域，尤其涉及一种人脸倾斜角度检测方法和装置。
背景技术：
人脸检测技术随着科技发展已经应用于各行各业中。图1a为一种可识别人脸的图像示意图，图1b为一种不可识别人脸的图像示意图。由于图1a所示图像中三个人的人脸倾斜角度不大，因此，现有人脸检测方法是可以检测到图1a中三个人脸的。一旦出现图1b所示图像中三个人的人脸倾斜角度过大，现有人脸检测方法是无法检测到图1b中的三个人脸的。
然而，由于拍摄角度的不同，使得图像中会出现各种倾斜角度过大的人脸，导致现有人脸检测发送无法检测到图像中的人脸。因此，现亟需一种能够检测图像中各个倾斜角度的人脸的检测方法。
技术实现要素：
本发明提供一种人脸倾斜角度检测方法和装置，以解决现有人脸检测方法由于无法检测到倾斜角度过大的人脸且而导致检测结果不准确且鲁棒性差的问题。
第一方面，本发明提供一种人脸检测方法，包括：
对待测图像进行图像分割，得到p个图像区域，p为正整数；
从所述p个图像区域中，获取n个人脸图像区域，n≤p，n为正整数；
根据角度训练模型，对所述n个人脸图像区域进行角度估计，确定所述待测图像中n个人脸的倾斜角度。
可选地，所述根据角度训练模型，对所述n个人脸图像区域进行角度估计，确定所述待测图像中n个人脸的倾斜角度，包括：
根据所述n个人脸图像区域，确定所述n个人脸图像区域对应的n个人脸特征信息，所述n个人脸特征信息用于表示人脸的倾斜角度；
根据所述n个人脸特征信息，构建人脸角度特征向量；
将所述人脸角度特征向量输入到所述角度训练模型中，确定所述待测图像中n个人脸的倾斜角度。
可选地，在将所述人脸角度特征向量输入到所述角度训练模型中之前，所述方法还包括：
获取m个人脸测试图像，所述m个人脸测试图像中包括至少一个人脸，m为正整数；
对m个人脸测试图像中的人脸倾斜角度分别进行标记，得到标记后的测试图像；
根据所述标记后的测试图像，构建训练样本；
根据深度学习卷积网络，建立初始训练模型；
根据所述训练样本，对所述初始训练模型进行训练，得到所述角度训练模型。
可选地，所述人脸特征信息包括：人脸中左眼中点和右眼中点之间的连线所在方向与水平方向的夹角、人脸中左耳中点和右耳中点之间的连线所在方向与水平方向的夹角、或人脸中鼻子中点与嘴唇中点之间的连线所在方向与水平方向的夹角中的至少一个。
可选地，所述方法还包括：
根据所述待测图像中n个人脸的倾斜角度，分别对所述待测图像进行旋转矫正，得到对应的n个目标图像；
对所述n个目标图像进行人脸检测，得到人脸检测结果。
第二方面，本发明提供一种人脸检测装置，包括：
图像分割模块，用于对待测图像进行图像分割，得到p个图像区域，p为正整数；
图像获取模块，用于从所述p个图像区域中，获取n个人脸图像区域，n≤p，n为正整数；
角度估计模块，用于根据角度训练模型，对所述n个人脸图像区域进行角度估计，确定所述待测图像中n个人脸的倾斜角度。
可选地，所述角度估计模块，具体用于根据所述n个人脸图像区域，确定所述n个人脸图像区域对应的n个人脸特征信息，所述n个人脸特征信息用于表示人脸的倾斜角度；根据所述n个人脸特征信息，构建人脸角度特征向量；将所述人脸角度特征向量输入到所述角度训练模型中，确定所述待测图像中n个人脸的倾斜角度。
可选地，所述装置还包括：
所述图像获取模块，还用于在所述角度估计模块将所述人脸角度特征向量输入到所述角度训练模型中之前，获取m个人脸测试图像，所述m个人脸测试图像中包括至少一个人脸，m为正整数；
模型建立模块，用于对m个人脸测试图像中的人脸倾斜角度分别进行标记，得到标记后的测试图像；根据所述标记后的测试图像，构建训练样本；根据深度学习卷积网络，建立初始训练模型；根据所述训练样本，对所述初始训练模型进行训练，得到所述角度训练模型。
可选地，所述人脸特征信息包括：人脸中左眼中点和右眼中点之间的连线所在方向与水平方向的夹角、人脸中左耳中点和右耳中点之间的连线所在方向与水平方向的夹角、或人脸中鼻子中点与嘴唇中点之间的连线所在方向与水平方向的夹角中的至少一个。
可选地，所述装置还包括：
角度矫正模块，用于根据所述待测图像中n个人脸的倾斜角度，分别对所述待测图像进行旋转矫正，得到对应的n个目标图像；
人脸检测模块，用于对所述n个目标图像进行人脸检测，得到人脸检测结果。
第三方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面所述的人脸倾斜角度检测方法。
第四方面，本发明提供一种电子设备，包括：
处理器；以及
存储器，用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行第一方面所述的人脸倾斜角度检测方法。
本发明提供的人脸倾斜角度检测方法和装置，通过对待测进行图像分割，得到p个图像区域，且从p个图像区域中获取n个人脸图像区域。并根据，根据角度训练模型，对多个人脸图像区域进行角度估计，准确确定待测图像中各个人脸的倾斜角度，便于根据待测图像中n个人脸倾斜角度，分别对待测图像进行旋转矫正，使得待测图像中的人脸能够成为正脸，进而，在对待测图像进行人脸检测时可以准确得到人脸检测结果，从而实现了精准且全面的人脸检测过程，解决了现有人脸检测方法准备率和和鲁棒性都不高的问题。
附图说明
为了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一简单地介绍，显而易见地，下面描述中的附图是本发明实施例的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1a为一种可识别人脸的图像示意图；
图1b为一种不可识别人脸的图像示意图；
图2为本发明提供的人脸倾斜角度检测方法的流程图；
图3为本发明提供的人脸倾斜角度检测方法的流程图；
图4为本发明提供的人脸倾斜角度检测方法的流程图；
图5a为本发明提供的人脸倾斜角度检测装置的结构示意图；
图5b为本发明提供的人脸倾斜角度检测装置的结构示意图；
图5c为本发明提供的人脸倾斜角度检测装置的结构示意图；
图6为本发明提供的电子设备的硬件结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明实施例一部分实施例，而不是全部的实施例。基于本发明实施例中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明实施例保护的范围。
现有人脸检测方法，由于人们可以横着、反着或者倾斜着进行拍摄，得到的图像中人脸往往不会呈0度角度拍摄，这样，现有人脸检测方法使用这些图像进行人脸检测时，将无法检测出人脸。基于此，传统的解决方法是：当现有人脸检测方无法没有检测出原图像中的人脸时，可将原图像进行90度旋转后再进行人脸检测，若仍没有检测到人脸，则继续将原图像进行180度旋转再进行人脸检测，若仍没有检测到人脸，则继续将原图像进行270度旋转后再进行人脸检测，若仍没有检测到人脸，则判定原图像中没有人脸。
然而上述方法只能对图像进行固定角度(90度、180度、270度)的旋转，且采用这种方法在识别出图像中有人脸时，会停止检测并直接得到检测结果，不会继续旋转并再次检测图像中是否还有人脸，造成检测的准确率和鲁棒性都不高。
为了解决上述问题，本实施例提供一种人脸倾斜角度检测方法和装置，可以对待测图像进行图像分割，得到多个图像区域，再从多个图像区域中，获取多个人脸图像区域。接着，根据角度训练模型，对多个人脸图像区域进行角度估计，准确确定待测图像中各个人脸的倾斜角度，从而对图像进行人脸检测，便可准确得到人脸检测结果。
其中，人脸检测结果可以为人脸在图像中所处的区域框或得分等信息，本实施例对人脸检测结果的具体形式不做限定。
下面，通过具体实施例，对人脸倾斜角度检测方法的具体实现方式进行详细说明。
图2为本发明提供的人脸倾斜角度检测方法的流程图，如图2所示，本实施例的人脸倾斜角度检测方法可以包括：
s101、对待测图像进行图像分割，得到p个图像区域，p为正整数。
s102、从p个图像区域中，获取n个人脸图像区域，n≤p，n为正整数。
s103、根据角度训练模型，对n个人脸图像区域进行角度估计，确定待测图像中n个人脸的倾斜角度。
具体地，本实施例可以利用人脸图像分割技术，对待测图像进行图像分割，得到p个图像区域。其中，p个图像区域的形状可以相同，也可以不同，具体可以为圆形、方形、不规则形等各种形状，p个图像区域的大小可以相等，也可以不相等，本实施例对p个图像区域的具体实现形式不做限定。
进一步地，由于待测图像中存在人脸区域和非人脸区域，本实施例根据人脸上可能具有眼睛、鼻子、嘴唇、脸颊、眉毛等器官，可以从p个图像区域中将非人脸图像区域删除，从而得到n个人脸各自对应的n个人脸图像区域。
具体地，本实施例中可以采集人脸测试图像与对应的人脸倾斜角度。例如，本实施例可以获取多个人脸测试图像和该各个人脸测试图像对应的人脸倾斜角度，例如，将任一人脸测试图像作为原图像，对原图像进行0度-360度中任意角度的旋转，得到旋转后的人脸图像，进而得到各个人脸测试图像旋转后的人脸图像。
其中，人脸图像可以包括但不限于整个人脸图像、部分人脸图像等，人脸倾斜角度为偏离人脸处于正脸状态下的角度。
进一步地，由于每个人脸测试图像对应的人脸倾斜角度为已知的，因此，本实施例可以将各个人脸测试图像和各个人脸测试图像对应的人脸倾斜角度组合成训练数据，再利用神经网络模型，对训练数据进行人脸倾斜角度训练，得到标定出人脸图像对应的人脸倾斜角度的角度训练模型。
其中，该角度训练模型可以采用vgg神经网络模型或者深度卷积神经网络(deepconvolutionalneuralnetworks)结构，该深度卷积神经网络网络包括但不限于：rcnn(regionswithcnnfeatures)，ssd(singleshotmultiboxdetector)、maskrcnn等物体检测及其他图像分割模型。
需要说明的是：本实施例对基于vgg神经网络模型或者深度卷积神经网络结构的原理获得角度训练模型的具体实现过程可参照现有技术，此处不做赘述。
进一步地，本实施例可以将获得的n个人脸图像区域输入到该角度训练模型中，该角度训练模型可以对n个人脸图像区域进行分析，从而准确确定待测图像中n个人脸图像区域各自对应的n个人脸的倾斜角度。
本实施例提供的人脸倾斜角度检测方法，通过对待测进行图像分割，得到p个图像区域，且从p个图像区域中获取n个人脸图像区域。并根据，根据角度训练模型，对多个人脸图像区域进行角度估计，准确确定待测图像中各个人脸的倾斜角度，便于根据待测图像中n个人脸倾斜角度，分别对待测图像进行旋转矫正，使得待测图像中的人脸能够成为正脸，进而，在对待测图像进行人脸检测时可以准确得到人脸检测结果，从而实现了精准且全面的人脸检测过程，解决了现有人脸检测方法准备率和和鲁棒性都不高的问题。
在上述图2实施例的基础上，结合图3对s103中的根据角度训练模型，对n个人脸图像区域进行角度估计，确定待测图像中n个人脸的倾斜角度的具体实现过程进行详细说明。
图3为本发明提供的人脸倾斜角度检测方法的流程图，如图3所示，本实施例的人脸倾斜角度检测方法可以包括：
s201、根据n个人脸图像区域，确定n个人脸图像区域对应的n个人脸特征信息，n个人脸特征信息用于表示人脸的倾斜角度。
s202、根据n个人脸特征信息，构建人脸角度特征向量。
s203、将人脸角度特征向量输入到角度训练模型中，确定待测图像中n个人脸的倾斜角度。
具体地，由于本实施例可以采用多个人脸特征信息对人脸测试图像对应的人脸倾斜角度进行表征，且每个人脸测试图像中包含的人脸特征信息不同，因此，为了便于更加准确的输出训练结果，本实施例可以将人脸特征信息构建的向量作为角度训练模型的输入。
在一个具体获得角度训练模型的实施例中，可选地，获取m个人脸测试图像，m个人脸测试图像中包括至少一个人脸，m为正整数；对m个人脸测试图像中的人脸倾斜角度分别进行标记，得到标记后的测试图像；根据标记后的测试图像，构建训练样本；根据深度学习卷积网络，建立初始训练模型；根据训练样本，对初始训练模型进行训练，得到角度训练模型。
具体地，本实施例中可以获取存在有人脸的m个人脸测试图像，再对m个人脸测试图像中的人脸倾斜角度分别进行标记，得到标记后的测试图像，该标识后的测试图像中包括人脸倾斜角度与人脸测试图像之间的对应关系，进而，根据标记后的测试图像构建训练样本，与此同时，本实施例可以根据深度学习卷积网络，建立初始训练模型，进而，根据训练样本，对初始训练模型进行训练，得到可以通过人脸特征信息标定人脸倾斜角度的角度训练模型。
进一步地，本实施例可以根据n个人脸图像区域中获取n个人脸图像区域对应的n个人脸特征信息，再根据n个人脸特征信息，构建人脸角度特征向量，然后将人脸角度特征向量输入到角度训练模型中，可以准确确定出待测图像中n个人脸的倾斜角度。
其中，为了便于获取人脸特征信息，n个图像区域中最多只有一个人脸，以便于准确获取n个人脸图像区域对应的n个人脸的倾斜角度。进一步地，本实施例对人脸特征信息的具体内容不做限定。由于人脸为正脸时，人脸的左右眼的连线所在方向为水平方向，人脸的左耳朵和右耳朵的连线所在的方向也为水平方向，人脸的鼻子所在方向垂直于水平方向，因此，本实施例可以通过人脸上的各个器官的连线所在方向与水平方向之间的夹角作为人脸特征信息来标识人脸倾斜角度。
可选地，人脸特征信息包括：人脸中左眼中点和右眼中点之间的连线所在方向与水平方向的夹角、人脸中左耳中点和右耳中点之间的连线所在方向与水平方向的夹角、或人脸中鼻子中点与嘴唇中点之间的连线所在方向与水平方向的夹角中的至少一个。
进一步地，针对任一人脸特征信息，当该人脸特征信息可以人脸的左眼和右眼的连线所在方向与水平方向的夹角，或者人脸的左耳朵和右耳朵的连线所在方向与水平方向的夹角，或者人脸的鼻子所在方向与水平方向的夹角中的任意一个夹角时，该夹角便为人脸倾斜角度。当该人脸特征信息为人脸的左眼和右眼的连线所在方向与水平方向的夹角，或者人脸的左耳朵和右耳朵的连线所在方向与水平线的夹角，或者人脸的鼻子所在方向与水平方向的夹角中的多个夹角时，本实施例可以取多个夹角的平均值作为人脸倾斜角度。
本实施例提供的人脸倾斜角度检测方法，通过根据n个人脸图像区域对应的人脸特征信息，构建人脸角度特征向量，将人脸角度特征向量输入到角度训练模型中，可以准确确定待测图像中n个人脸的倾斜角度，从而根据待测图像的n个人脸倾斜角度，可以对待测图像进行全方位的人脸检测，得到了更为准确的检测结果，实现了精准且全面的人脸检测过程，解决了现有人脸检测方法准备率和和鲁棒性都不高的问题。
在上述实施例的基础上，结合图4，对本实施例人脸倾斜角度检测方法的具体实现过程进行详细说明。
图4为本发明提供的人脸倾斜角度检测方法的流程图，如图4所示，本实施例的人脸倾斜角度检测方法可以包括：
s301、对待测图像进行图像分割，得到p个图像区域，p为正整数。
s302、从p个图像区域中，获取n个人脸图像区域，n≤p，n为正整数。
s303、根据角度训练模型，对n个人脸图像区域进行角度估计，确定待测图像中n个人脸的倾斜角度。
其中，s301、s302和s303分别与图2实施例中的s101、s102和s103实现方式类似，本实施例此处不再赘述。
s304、根据待测图像中n个人脸的倾斜角度，分别对待测图像进行旋转矫正，得到对应的n个目标图像。
s305、对n个目标图像进行人脸检测，得到人脸检测结果。
具体地，本实施例根据n个人脸倾斜角度，可以分别对待测图像进行旋转校正，得到对应的n个目标图像，即每个人脸倾斜角度对应于一个目标图像。
例如，当人脸倾斜角度为相对于正脸顺时针旋转90度，则本实施例可将待测图像进行逆时针旋转90度，得到目标图像。
又如，当人脸倾斜角度为相对于正脸逆时针旋转90度，则本实施例可将待测图像进行顺时针旋转90度，得到目标图像。
进一步地，本实施例可以对每个目标图像进行人脸检测，得到与之对应的结果，再综合每个结果得到人脸检测结果。这样，本实施例可以将待测图像中各个倾斜角度的人脸皆能够检测出来，得到人脸检测结果准确性高，鲁棒性能良好。
本实施例提供的人脸倾斜角度检测方法，通过根据准确获取到的n个人脸倾斜角度，分别对待测图像进行旋转矫正，使得待测图像中的人脸能够成为正脸，得到对应的n个目标图像，然后再对n个目标图像进行人脸检测，便可准确得到人脸检测结果。本实施例根据待测图像的n个人脸倾斜角度，对待测图像进行全方位的人脸检测，得到了更为准确的检测结果，实现了精准且全面的人脸检测过程，解决了现有人脸检测方法准备率和和鲁棒性都不高的问题。
图5a为本发明提供的人脸倾斜角度检测装置的结构示意图，如图5a所示，本实施例的人脸倾斜角度检测装置10包括：
图像分割模块11，用于对待测图像进行图像分割，得到p个图像区域，p为正整数；
图像获取模块12，用于从所述p个图像区域中，获取n个人脸图像区域，n≤p，n为正整数；
角度估计模块13，用于根据角度训练模型，对n个人脸图像区域进行角度估计，确定待测图像中n个人脸的倾斜角度。
可选地，角度估计模块13，具体用于根据n个人脸图像区域，确定n个人脸图像区域对应的n个人脸特征信息，n个人脸特征信息用于表示人脸的倾斜角度；根据n个人脸特征信息，构建人脸角度特征向量；将人脸角度特征向量输入到角度训练模型中，确定待测图像中n个人脸的倾斜角度。
图5b为本发明提供的人脸倾斜角度检测装置的结构示意图，如图5b所示，本实施例的人脸倾斜角度检测装置10在图5a结构的基础上，还可以包括：
图像获取模块12，还用于在角度估计模块13将人脸角度特征向量输入到角度训练模型中之前，获取m个人脸测试图像，m个人脸测试图像中包括至少一个人脸，m为正整数；
模型建立模块14，用于对m个人脸测试图像中的人脸倾斜角度分别进行标记，得到标记后的测试图像；根据标记后的测试图像，构建训练样本；根据深度学习卷积网络，建立初始训练模型；根据训练样本，对初始训练模型进行训练，得到角度训练模型。
可选地，人脸特征信息包括：人脸中左眼中点和右眼中点之间的连线所在方向与水平方向的夹角、人脸中左耳中点和右耳中点之间的连线所在方向与水平方向的夹角、或人脸中鼻子中点与嘴唇中点之间的连线所在方向与水平方向的夹角中的至少一个。
图5c为本发明提供的人脸倾斜角度检测装置的结构示意图，如图5c所示，本实施例的人脸倾斜角度检测装置10在图5a结构的基础上，还可以包括：
角度矫正模块15，用于根据待测图像中n个人脸的倾斜角度，分别对待测图像进行旋转矫正，得到对应的n个目标图像；
人脸检测模块16，用于对n个目标图像进行人脸检测，得到人脸检测结果。
本发明实施例提供的人脸倾斜角度检测装置，可执行上述方法实施例，其具体实现原理和技术效果，可参见上述方法实施例，本实施例此处不再赘述。
本发明中可以根据上述方法示例对人脸倾斜角度检测装置进行功能模块的划分，例如，可以对应各个功能划分各个功能模块，也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。需要说明的是，本发明各实施例中对模块的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
图6为本发明提供的电子设备的硬件结构示意图。如图6所示，该电子设备20包括：存储器21和处理器22；
存储器21，用于存储计算机程序；
处理器22，用于执行存储器存储的计算机程序，以实现上述实施例中的人脸倾斜角度检测方法。具体可以参见前述方法实施例中的相关描述。
可选地，存储器21既可以是独立的，也可以跟处理器22集成在一起。
当存储器21是独立于处理器22之外的器件时，电子设备20还可以包括：
总线23，用于连接存储器21和处理器22。
本实施例提供的电子设备可用于执行上述的人脸倾斜角度检测方法，其实现方式和技术效果类似，本实施例此处不再赘述。
本发明还提供一种计算机可读存储介质，计算机可读存储介质包括计算机程序，计算机程序用于实现如上实施例中的人脸倾斜角度检测方法。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。例如，以上所描述的设备实施例仅仅是示意性的，例如，模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个单元中。上述模块成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
上述以软件功能模块的形式实现的集成的模块，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(英文：processor)执行本申请各个实施例方法的部分步骤。
应理解，上述处理器可以是中央处理单元(英文：centralprocessingunit，简称：cpu)，还可以是其他通用处理器、数字信号处理器(英文：digitalsignalprocessor，简称：dsp)、专用集成电路(英文：applicationspecificintegratedcircuit，简称：asic)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
存储器可能包含高速ram存储器，也可能还包括非易失性存储nvm，例如至少一个磁盘存储器，还可以为u盘、移动硬盘、只读存储器、磁盘或光盘等。
总线可以是工业标准体系结构(industrystandardarchitecture，isa)总线、外部设备互连(peripheralcomponent，pci)总线或扩展工业标准体系结构(extendedindustrystandardarchitecture，eisa)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
上述计算机可读存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(sram)，电可擦除可编程只读存储器(eeprom)，可擦除可编程只读存储器(eprom)，可编程只读存储器(prom)，只读存储器(rom)，磁存储器，快闪存储器，磁盘或光盘。存储介质可以是通用或专用计算机能够存取的任何可用介质。
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
1.一种人脸倾斜角度检测方法，其特征在于，包括：
对待测图像进行图像分割，得到p个图像区域，p为正整数；
从所述p个图像区域中，获取n个人脸图像区域，n≤p，n为正整数；
根据角度训练模型，对所述n个人脸图像区域进行角度估计，确定所述待测图像中n个人脸的倾斜角度。
2.根据权利要求1所述的方法，其特征在于，所述根据角度训练模型，对所述n个人脸图像区域进行角度估计，确定所述待测图像中n个人脸的倾斜角度，包括：
根据所述n个人脸图像区域，确定所述n个人脸图像区域对应的n个人脸特征信息，所述n个人脸特征信息用于表示人脸的倾斜角度；
根据所述n个人脸特征信息，构建人脸角度特征向量；
将所述人脸角度特征向量输入到所述角度训练模型中，确定所述待测图像中n个人脸的倾斜角度。
3.根据权利要求2所述的方法，其特征在于，在将所述人脸角度特征向量输入到所述角度训练模型中之前，所述方法还包括：
获取m个人脸测试图像，所述m个人脸测试图像中包括至少一个人脸，m为正整数；
对m个人脸测试图像中的人脸倾斜角度分别进行标记，得到标记后的测试图像；
根据所述标记后的测试图像，构建训练样本；
根据深度学习卷积网络，建立初始训练模型；
根据所述训练样本，对所述初始训练模型进行训练，得到所述角度训练模型。
4.根据权利要求2所述的方法，其特征在于，所述人脸特征信息包括：人脸中左眼中点和右眼中点之间的连线所在方向与水平方向的夹角、人脸中左耳中点和右耳中点之间的连线所在方向与水平方向的夹角、或人脸中鼻子中点与嘴唇中点之间的连线所在方向与水平方向的夹角中的至少一个。
5.根据权利要求1-4任一项所述的方法，其特征在于，所述方法还包括：
根据所述待测图像中n个人脸的倾斜角度，分别对所述待测图像进行旋转矫正，得到对应的n个目标图像；
对所述n个目标图像进行人脸检测，得到人脸检测结果。
6.一种人脸倾斜角度检测装置，其特征在于，包括：
图像分割模块，用于对待测图像进行图像分割，得到p个图像区域，p为正整数；
图像获取模块，用于从所述p个图像区域中，获取n个人脸图像区域，n≤p，n为正整数；
角度估计模块，用于根据角度训练模型，对所述n个人脸图像区域进行角度估计，确定所述待测图像中n个人脸的倾斜角度。
7.根据权利要求6所述的装置，其特征在于，所述角度估计模块，具体用于根据所述n个人脸图像区域，确定所述n个人脸图像区域对应的n个人脸特征信息，所述n个人脸特征信息用于表示人脸的倾斜角度；根据所述n个人脸特征信息，构建人脸角度特征向量；将所述人脸角度特征向量输入到所述角度训练模型中，确定所述待测图像中n个人脸的倾斜角度。
8.根据权利要求7所述的装置，其特征在于，所述装置还包括：
所述图像获取模块，还用于在所述角度估计模块将所述人脸角度特征向量输入到所述角度训练模型中之前，获取m个人脸测试图像，所述m个人脸测试图像中包括至少一个人脸，m为正整数；
模型建立模块，用于对m个人脸测试图像中的人脸倾斜角度分别进行标记，得到标记后的测试图像；根据所述标记后的测试图像，构建训练样本；根据深度学习卷积网络，建立初始训练模型；根据所述训练样本，对所述初始训练模型进行训练，得到所述角度训练模型。
9.根据权利要求7所述的装置，其特征在于，所述人脸特征信息包括：人脸中左眼中点和右眼中点之间的连线所在方向与水平方向的夹角、人脸中左耳中点和右耳中点之间的连线所在方向与水平方向的夹角、或人脸中鼻子中点与嘴唇中点之间的连线所在方向与水平方向的夹角中的至少一个。
10.根据权利要求6-9任一项所述的装置，其特征在于，所述装置还包括：
角度矫正模块，用于根据所述待测图像中n个人脸的倾斜角度，分别对所述待测图像进行旋转矫正，得到对应的n个目标图像；
人脸检测模块，用于对所述n个目标图像进行人脸检测，得到人脸检测结果。
11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-5任一项所述的人脸倾斜角度检测方法。
12.一种电子设备，其特征在于，包括：
处理器；以及
存储器，用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1-5项任一所述的人脸倾斜角度检测方法。
技术总结