本發(fā)明涉及圖像處理及人臉識別領(lǐng)域，尤其涉及一種人臉檢測方法及裝置。

背景技術(shù)：

人臉檢測方法是人臉識別的基礎(chǔ)，準(zhǔn)確無誤地從圖像中檢測出人臉圖像對于識別非常重要。在一些場景下，需要計(jì)算機(jī)自動檢測出人臉以供進(jìn)行識別，這就要求人臉檢測方法能夠同時(shí)檢測出正臉圖像和側(cè)臉圖像，另外，針對任意大小的圖像進(jìn)行處理也提出了要求。

目前，人臉檢測方法只能檢測正臉，或者只能檢測側(cè)臉，并且一般通過固定大小的圖像進(jìn)行處理。

顯然，對于需要同時(shí)檢測正臉和側(cè)臉的任務(wù)，只能分別檢測，由此造成檢測速度過慢，另外也不能對任意大小的圖像進(jìn)行處理。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明實(shí)施例提供了一種人臉檢測方法及裝置，能夠?qū)θ我獯笮〉膱D像進(jìn)行處理，并且能夠同時(shí)檢測正臉和側(cè)臉，提高檢測速度。

有鑒于此，本發(fā)明第一方面提供了一種人臉檢測方法，包括：

通過第一深度卷積網(wǎng)絡(luò)獲取候選人臉圖像，所述第一深度卷積網(wǎng)絡(luò)為用于初檢的全卷積網(wǎng)絡(luò)；

通過第二深度卷積網(wǎng)絡(luò)對所述候選人臉圖像進(jìn)行計(jì)算，得到所述候選人臉圖像的可靠性數(shù)值，所述第二深度卷積網(wǎng)絡(luò)為用于校驗(yàn)的深度卷積網(wǎng)絡(luò)；

若所述候選人臉圖像的可靠性數(shù)值大于預(yù)設(shè)閾值，則判定為最終人臉圖像。

可選的：

所述通過第一深度卷積網(wǎng)絡(luò)獲取候選人臉圖像包括：

通過第一深度卷積網(wǎng)絡(luò)生成人臉熱力圖；

從所述人臉熱力圖中確定局部最熱點(diǎn)，并將所述局部最熱點(diǎn)作為候選人臉位置；

根據(jù)所述候選人臉位置獲取候選人臉圖像。

可選的：

所述根據(jù)所述候選人臉位置獲取候選人臉圖像之前包括：

判斷所述候選人臉位置是否存在重疊；

若是，則合并重疊的所述候選人臉位置。

可選的：

所述通過第一深度卷積網(wǎng)絡(luò)獲取候選人臉圖像之前包括：

生成第一深度卷積網(wǎng)絡(luò)；

采集人臉圖像和非人臉圖像，并將所述人臉圖像和非人臉圖像作為訓(xùn)練樣本；

通過所述訓(xùn)練樣本訓(xùn)練所述第一深度卷積網(wǎng)絡(luò)。

可選的：

所述第二深度卷積網(wǎng)絡(luò)為多個(gè)深度卷積網(wǎng)絡(luò)，通過第二深度卷積網(wǎng)絡(luò)對所述候選人臉圖像進(jìn)行計(jì)算，得到所述候選人臉圖像的可靠性數(shù)值包括：

通過所述多個(gè)深度卷積網(wǎng)絡(luò)分別對所述候選人臉圖像進(jìn)行計(jì)算，得到所述候選人臉圖像的多個(gè)可靠性數(shù)值；

根據(jù)所述多個(gè)可靠性數(shù)值得到所述候選人臉圖像的可靠性數(shù)值。

可選的：

所述第一深度卷積網(wǎng)絡(luò)包含多層，依次為：第一輸入層、第一卷積層、第一輸出層、第一最大池化層、第二輸出層、第一激活函數(shù)層、第二卷積層、第三輸出層、第二激活函數(shù)層、第三卷積層以及第四輸出層；所述第二深度卷積網(wǎng)絡(luò)包括多層，依次為：第二輸入層、第四卷積層、第五輸出層、第二最大池化層、第六輸出層、第三激活函數(shù)層、第五卷積層、第七輸出層、第三最大池化層、第八輸出層、第四激活函數(shù)層、全連接層以及第九輸出層。

本發(fā)明第二方面提供了一種人臉檢測裝置，包括：

獲取模塊，用于通過第一深度卷積網(wǎng)絡(luò)獲取候選人臉圖像，所述第一深度卷積網(wǎng)絡(luò)為用于初檢的全卷積網(wǎng)絡(luò)；

第一處理模塊，用于通過第二深度卷積網(wǎng)絡(luò)對所述候選人臉圖像進(jìn)行計(jì)算，得到所述候選人臉圖像的可靠性數(shù)值，所述第二深度卷積網(wǎng)絡(luò)為預(yù)置的用于校驗(yàn)的深度卷積網(wǎng)絡(luò)；

判定模塊，用于若所述候選人臉圖像的可靠性數(shù)值大于預(yù)設(shè)閾值，則判定為最終人臉圖像。

可選的：

所述獲取模塊包括：

生成單元，用于通過第一深度卷積網(wǎng)絡(luò)生成人臉熱力圖；

第一處理單元，用于從所述人臉熱力圖中確定局部最熱點(diǎn)，并將所述局部最熱點(diǎn)作為候選人臉位置；

獲取單元，用于根據(jù)所述候選人臉位置獲取候選人臉圖像。

可選的：

所述裝置還包括：

判斷模塊，用于判斷所述候選人臉位置是否存在重疊；

第二處理模塊，用于若判斷模塊判斷所述候選人臉位置存在重疊，則合并重疊的所述候選人臉位置。

可選的：

所述裝置還包括：

生成模塊，用于生成第一深度卷積網(wǎng)絡(luò)；

第三處理模塊，用于采集人臉圖像和非人臉圖像，并將所述人臉圖像和非人臉圖像作為訓(xùn)練樣本；

訓(xùn)練模塊，用于通過所述訓(xùn)練樣本訓(xùn)練所述第一深度卷積網(wǎng)絡(luò)。

可選的：

所述第二深度卷積網(wǎng)絡(luò)為多個(gè)深度卷積網(wǎng)絡(luò)，所述第一處理模塊包括：

計(jì)算單元，用于通過所述多個(gè)深度卷積網(wǎng)絡(luò)分別對所述候選人臉圖像進(jìn)行計(jì)算，得到所述候選人臉圖像的多個(gè)可靠性數(shù)值；

第二處理單元，用于根據(jù)所述多個(gè)可靠性數(shù)值得到所述候選人臉圖像的可靠性數(shù)值。

可選的：

所述第一深度卷積網(wǎng)絡(luò)包含多層，依次為：第一輸入層、第一卷積層、第一輸出層、第一最大池化層、第二輸出層、第一激活函數(shù)層、第二卷積層、第三輸出層、第二激活函數(shù)層、第三卷積層以及第四輸出層；所述第二深度卷積網(wǎng)絡(luò)包括多層，依次為：第二輸入層、第四卷積層、第五輸出層、第二最大池化層、第六輸出層、第三激活函數(shù)層、第五卷積層、第七輸出層、第三最大池化層、第八輸出層、第四激活函數(shù)層、全連接層以及第九輸出層。

從以上技術(shù)方案可以看出，本發(fā)明實(shí)施例具有以下優(yōu)點(diǎn)：用于初檢的網(wǎng)絡(luò)為全卷積網(wǎng)絡(luò)，從而本發(fā)明可以對任意大小的圖像進(jìn)行處理以及提高人臉檢測速度，另外本發(fā)明的候選人臉圖像并未限定正臉圖像還是側(cè)臉圖像，所以本發(fā)明也能夠同時(shí)檢測正臉和側(cè)臉。

附圖說明

圖1為本發(fā)明實(shí)施例人臉檢測方法一個(gè)實(shí)施例示意圖；

圖2為本發(fā)明實(shí)施例第一深度卷積網(wǎng)絡(luò)一個(gè)示意圖；

圖3為本發(fā)明實(shí)施例第二深度卷積網(wǎng)絡(luò)一個(gè)示意圖；

圖4為本發(fā)明實(shí)施例人臉檢測裝置一個(gè)實(shí)施例示意圖。

具體實(shí)施方式

本發(fā)明實(shí)施例提供了一種人臉檢測方法及裝置，能夠?qū)θ我獯笮〉膱D像進(jìn)行處理，并且能夠同時(shí)檢測正臉和側(cè)臉，提高檢測速度。

下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域技術(shù)人員在沒有作出創(chuàng)造性勞動前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。

本發(fā)明的說明書和權(quán)利要求書及上述附圖中的術(shù)語“第一”、“第二”、“第三”、“第四”等(如果存在)是用于區(qū)別類似的對象，而不必用于描述特定的順序或先后次序。應(yīng)該理解這樣使用的數(shù)據(jù)在適當(dāng)情況下可以互換，以便這里描述的實(shí)施例能夠以除了在這里圖示或描述的內(nèi)容以外的順序?qū)嵤?。此外，術(shù)語“包括”和“具有”以及他們的任何變形，意圖在于覆蓋不排他的包含，例如，包含了一系列步驟或單元的過程、方法、系統(tǒng)、產(chǎn)品或設(shè)備不必限于清楚地列出的那些步驟或單元，而是可包括沒有清楚地列出的或?qū)τ谶@些過程、方法、產(chǎn)品或設(shè)備固有的其它步驟或單元。

請參閱圖1，本發(fā)明實(shí)施例中人臉檢測方法一個(gè)實(shí)施例包括：

101、通過第一深度卷積網(wǎng)絡(luò)獲取候選人臉圖像，該第一深度卷積網(wǎng)絡(luò)為預(yù)置的用于初檢的全卷積網(wǎng)絡(luò)；

本實(shí)施例中，深度卷積網(wǎng)絡(luò)一般只能用于固定大小的圖像，進(jìn)行分類或識別，本發(fā)明中的第一深度卷積網(wǎng)絡(luò)為全卷積網(wǎng)絡(luò)，通過利用全卷積網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)，使其可以適用于任意大小的圖像。

可選的，在本發(fā)明的一些實(shí)施例中，通過第一深度卷積網(wǎng)絡(luò)獲取候選人臉圖像具體為：

通過第一深度卷積網(wǎng)絡(luò)生成人臉熱力圖；

從人臉熱力圖中確定局部最熱點(diǎn)，并將局部最熱點(diǎn)作為候選人臉位置；

根據(jù)候選人臉位置獲取候選人臉圖像。

需要說明的是，第一深度卷積網(wǎng)絡(luò)可以為一個(gè)小型網(wǎng)絡(luò)，小型網(wǎng)絡(luò)用于生成人臉熱力圖；然后從人臉熱力圖中找到局部最熱點(diǎn)，作為候選人臉位置；根據(jù)候選人臉位置從原圖中截取出候選人臉圖像。比如說原圖為一張照片，照片中包括一個(gè)小女孩和一張書桌，通過第一深度卷積網(wǎng)絡(luò)可以從該照片中截取出小女孩的人臉圖像。

進(jìn)一步可選的，在本發(fā)明的一些實(shí)施例中，根據(jù)候選人臉位置獲取候選人臉圖像之前包括：

判斷候選人臉位置是否存在重疊；

若是，則合并重疊的候選人臉位置。

可選的，在本發(fā)明的一些實(shí)施例中，通過第一深度卷積網(wǎng)絡(luò)獲取候選人臉圖像之前包括：

生成第一深度卷積網(wǎng)絡(luò)；

采集人臉圖像和非人臉圖像，并將人臉圖像和非人臉圖像作為訓(xùn)練樣本；

通過訓(xùn)練樣本訓(xùn)練第一深度卷積網(wǎng)絡(luò)。

需要說明的是，本發(fā)明采集大量的人臉和非人臉圖像作為訓(xùn)練樣本用于訓(xùn)練第一深度卷積網(wǎng)絡(luò)。通常，人臉圖像位于一個(gè)較大的圖像中，通過一個(gè)矩形區(qū)域來準(zhǔn)確標(biāo)識人臉位置和大小，該矩形成為人臉框；通過對人臉框的大小和位置加入隨機(jī)的擾動，截取出人臉圖像，然后進(jìn)行隨機(jī)的旋轉(zhuǎn)，以檢測不同方向的人臉圖像，這樣多次從一個(gè)人臉圖像中獲取多個(gè)訓(xùn)練樣本；通常原始人臉圖像需要10000以上，提取出的訓(xùn)練樣本可達(dá)100000以上，以便第一深度卷積網(wǎng)絡(luò)學(xué)習(xí)到更好的特征。

非人臉圖像的選擇可以在沒有人臉的風(fēng)景照片、物體照片等圖片中隨機(jī)截取，非人臉圖像的個(gè)數(shù)要遠(yuǎn)大于人臉圖像的個(gè)數(shù)，比如大于100萬。

通過現(xiàn)有的神經(jīng)網(wǎng)絡(luò)工具以及訓(xùn)練樣本對第一深度卷積網(wǎng)絡(luò)進(jìn)行訓(xùn)練，確定第一深度卷積網(wǎng)絡(luò)的參數(shù)。對第一深度卷積網(wǎng)絡(luò)進(jìn)行訓(xùn)練時(shí)，若使用了交叉熵?fù)p失函數(shù)，則最后一次卷積需要采用兩個(gè)卷積和，但是訓(xùn)練完成后的使用中，由于只使用第一個(gè)卷積核的輸出結(jié)果，因此第二個(gè)卷積核的結(jié)果不用計(jì)算，可以去掉。

需要說明的是，第二深度卷積網(wǎng)絡(luò)和第一深度卷積網(wǎng)絡(luò)類似，也會通過訓(xùn)練樣本訓(xùn)練，此處不再贅述。

可選的，在本發(fā)明的一些實(shí)施例中，第一深度卷積網(wǎng)絡(luò)包含多層，依次為：第一輸入層、第一卷積層、第一輸出層、第一最大池化層、第二輸出層、第一激活函數(shù)層、第二卷積層、第三輸出層、第二激活函數(shù)層、第三卷積層以及第四輸出層，為了便于理解第一深度卷積網(wǎng)絡(luò)，下面對第一深度卷積網(wǎng)絡(luò)進(jìn)行詳細(xì)說明：

請參閱圖2，圖2表示一種預(yù)置的用于初檢的全卷積網(wǎng)絡(luò)，也即是第一深度卷積網(wǎng)絡(luò)，第一輸入層輸入一幅任意尺寸的3通道(H×W)圖像，在第一卷積層，使用32個(gè)5×5卷積核進(jìn)行卷積，第一輸出層得到32通道的輸出圖像，其高和寬同時(shí)減少了4像素，即(H-4)×(W-4)；第一最大池化層然后進(jìn)行一次4×4的最大池化處理，其像素?cái)?shù)減少到原來的1/4，即第二輸出層得到32通道的((H-4)/4)×((W-4)/4)，然后第一激活函數(shù)層進(jìn)行ReLU激活函數(shù)處理；接下來第二卷積層使用64個(gè)7×7卷積核進(jìn)行卷積，第三輸出層得到64通道的輸出圖像，即((H-4)/4-6)×((W-4)/4-6)，第二激活函數(shù)層再次使用ReLU激活函數(shù)處理；最后第三卷積層使用1個(gè)1×1的卷積核進(jìn)行卷積，第四輸出層得到1通道((H-4)/4-6)×((W-4)/4-6)，也就是最后的人臉概率圖，即熱力圖，該熱力圖上局部最大值點(diǎn)即為可能的人臉。

該全卷積網(wǎng)絡(luò)相當(dāng)于把32×32像素的小方塊圖像映射為一個(gè)概率值，因此使用該全卷積網(wǎng)絡(luò)智能檢測一個(gè)尺度的人臉(32×32)，要檢測其他尺度的人臉，需要把原圖縮放后重新檢測，需要縮放的次數(shù)和縮放比例根據(jù)要檢測的人臉大小的范圍來確定。

對于速度要求較高的場合，可以進(jìn)一步減小該全卷積網(wǎng)絡(luò)的大小，例如輸入圖像采用單通道的灰度圖像，或者減少卷積核數(shù)量，例如第一次卷積為4個(gè)卷積核，第二次為16個(gè)卷積核，可以大大加快處理的速度。

用于初檢的第一深度卷積網(wǎng)絡(luò)是全卷積網(wǎng)絡(luò)，從而可以對任意大小的圖像進(jìn)行處理；其次要求是速度快，精度可以稍低，通?？煽啃阅軌蜻_(dá)到99.3％以上即可。

102、通過第二深度卷積網(wǎng)絡(luò)對候選人臉圖像進(jìn)行計(jì)算，得到候選人臉圖像的可靠性數(shù)值，該第二深度卷積網(wǎng)絡(luò)為預(yù)置的用于校驗(yàn)的深度卷積網(wǎng)絡(luò)；

本實(shí)施例中，用于校驗(yàn)的第二深度卷積網(wǎng)絡(luò)對速度的要求不需要太嚴(yán)格，但需要更高的可靠性，通常，可靠性數(shù)值需要達(dá)到99.7％以上。用于校驗(yàn)的第二深度卷積網(wǎng)絡(luò)可以設(shè)計(jì)為一個(gè)或多個(gè)，在多個(gè)的情況下，為了更可靠，多個(gè)深度卷積網(wǎng)絡(luò)在結(jié)構(gòu)上或卷積核上設(shè)計(jì)的差異比較大，以便于形成互補(bǔ)，能夠發(fā)掘到圖像中的不同特征。另外，用于校驗(yàn)的第二深度卷積網(wǎng)絡(luò)可以使用固定大小的圖像作為輸入，因此不要求為全卷積網(wǎng)絡(luò)。為了達(dá)到較高的可靠性，第二深度卷積網(wǎng)絡(luò)的層數(shù)和圖像通道數(shù)會更大，圖3為一種典型的第二深度卷積網(wǎng)絡(luò)示意圖，圖3中的第二深度卷積網(wǎng)絡(luò)可以包括多層，依次為：第二輸入層、第四卷積層、第五輸出層、第二最大池化層、第六輸出層、第三激活函數(shù)層、第五卷積層、第七輸出層、第三最大池化層、第八輸出層、第四激活函數(shù)層、全連接層以及第九輸出層。具體的，第二輸入層輸入一幅3通道(32×32)圖像，在第四卷積層，使用32個(gè)11×11卷積核進(jìn)行卷積，第五輸出層得到32通道(22×22)的輸出圖像，第二最大池化層然后進(jìn)行一次2×2的最大池化處理，第六輸出層得到32通道(11×11)的輸出圖像，然后第三激活函數(shù)層進(jìn)行ReLU激活函數(shù)處理；接下來第五卷積層使用64個(gè)3×3卷積核進(jìn)行卷積，第七輸出層得到64通道(9×9)的輸出圖像，第三最大池化層進(jìn)行一次3×3的最大池化處理，第八輸出層得到64通道(3×3)的輸出圖像，第四激活函數(shù)層再次使用ReLU激活函數(shù)處理，全連接層得到576個(gè)輸入值以及2個(gè)輸出值，其中576×2代表一個(gè)576×2的參數(shù)矩陣。第九輸出層最終得到兩個(gè)數(shù)值，這兩個(gè)數(shù)值最后會用來計(jì)算出人臉和非人臉的概率，最后取人臉的概率。

可選的，在本發(fā)明的一些實(shí)施例中，若第二深度卷積網(wǎng)絡(luò)為多個(gè)深度卷積網(wǎng)絡(luò)，步驟102具體為：

通過多個(gè)深度卷積網(wǎng)絡(luò)分別對候選人臉圖像進(jìn)行計(jì)算，得到候選人臉圖像的多個(gè)可靠性數(shù)值；

根據(jù)多個(gè)可靠性數(shù)值得到候選人臉圖像的可靠性數(shù)值。

具體的，將多個(gè)可靠性數(shù)值取平均值，將平均值作為候選人臉圖像的可靠性數(shù)值；或者，將多個(gè)可靠性數(shù)值取最大值，將最大值作為候選人臉圖像的可靠性數(shù)值；或者，將多個(gè)可靠性數(shù)值取加權(quán)值，將加權(quán)值作為候選人臉圖像的可靠性數(shù)值，還可以采用其他方法，此處不作限定。

103、若候選人臉圖像的可靠性數(shù)值大于預(yù)設(shè)閾值，則判定為最終人臉圖像。

本實(shí)施例中，可靠性數(shù)值用于表示候選人臉圖像的可靠性，預(yù)設(shè)閾值的取值可以為99.7％，還可以為其他合理取值，此處不作限定。

本實(shí)施例中，用于初檢的網(wǎng)絡(luò)為全卷積網(wǎng)絡(luò)，從而本發(fā)明可以對任意大小的圖像進(jìn)行處理以及提高人臉檢測速度，另外本發(fā)明的候選人臉圖像并未限定正臉圖像還是側(cè)臉圖像，所以本發(fā)明也能夠同時(shí)檢測正臉和側(cè)臉。

請參閱圖4，本發(fā)明實(shí)施例中人臉檢測裝置一個(gè)實(shí)施例包括：

獲取模塊201，用于通過第一深度卷積網(wǎng)絡(luò)獲取候選人臉圖像，該第一深度卷積網(wǎng)絡(luò)為預(yù)置的用于初檢的全卷積網(wǎng)絡(luò)；

第一處理模塊202，用于通過第二深度卷積網(wǎng)絡(luò)對候選人臉圖像進(jìn)行計(jì)算，得到候選人臉圖像的可靠性數(shù)值，該第二深度卷積網(wǎng)絡(luò)為預(yù)置的用于校驗(yàn)的深度卷積網(wǎng)絡(luò)；

判定模塊203，用于若候選人臉圖像的可靠性數(shù)值大于預(yù)設(shè)閾值，則判定為最終人臉圖像。

本實(shí)施例中，用于初檢的網(wǎng)絡(luò)為全卷積網(wǎng)絡(luò)，從而本發(fā)明可以對任意大小的圖像進(jìn)行處理以及提高人臉檢測速度，另外本發(fā)明的候選人臉圖像并未限定正臉圖像還是側(cè)臉圖像，所以本發(fā)明也能夠同時(shí)檢測正臉和側(cè)臉。

可選的，獲取模塊201包括：

生成單元，用于通過第一深度卷積網(wǎng)絡(luò)生成人臉熱力圖；

第一處理單元，用于從人臉熱力圖中確定局部最熱點(diǎn)，并將局部最熱點(diǎn)作為候選人臉位置；

獲取單元，用于根據(jù)候選人臉位置獲取候選人臉圖像。

進(jìn)一步的，該裝置還包括：

判斷模塊，用于判斷候選人臉位置是否存在重疊；

第二處理模塊，用于若判斷模塊判斷候選人臉位置存在重疊，則合并重疊的該候選人臉位置。

可選的，該裝置還包括：

生成模塊，用于生成第一深度卷積網(wǎng)絡(luò)；

第三處理模塊，用于采集人臉圖像和非人臉圖像，并將人臉圖像和非人臉圖像作為訓(xùn)練樣本；

訓(xùn)練模塊，用于通過訓(xùn)練樣本訓(xùn)練第一深度卷積網(wǎng)絡(luò)。

進(jìn)一步的，若第二深度卷積網(wǎng)絡(luò)為多個(gè)深度卷積網(wǎng)絡(luò)。第一處理模塊202包括：

計(jì)算單元，用于通過多個(gè)深度卷積網(wǎng)絡(luò)分別對候選人臉圖像進(jìn)行計(jì)算，得到候選人臉圖像的多個(gè)可靠性數(shù)值；

第二處理單元，用于根據(jù)多個(gè)可靠性數(shù)值得到候選人臉圖像的可靠性數(shù)值。

具體的，將多個(gè)可靠性數(shù)值取平均值，將平均值作為候選人臉圖像的可靠性數(shù)值；或者，將多個(gè)可靠性數(shù)值取最大值，將最大值作為候選人臉圖像的可靠性數(shù)值；或者，將多個(gè)可靠性數(shù)值取加權(quán)值，將加權(quán)值作為候選人臉圖像的可靠性數(shù)值，還可以采用其他方法，此處不作限定。

可選的，第一深度卷積網(wǎng)絡(luò)包含多層，依次為：第一輸入層、第一卷積層、第一輸出層、第一最大池化層、第二輸出層、第一激活函數(shù)層、第二卷積層、第三輸出層、第二激活函數(shù)層、第三卷積層以及第四輸出層；所述第二深度卷積網(wǎng)絡(luò)包括多層，依次為：第二輸入層、第四卷積層、第五輸出層、第二最大池化層、第六輸出層、第三激活函數(shù)層、第五卷積層、第七輸出層、第三最大池化層、第八輸出層、第四激活函數(shù)層、全連接層以及第九輸出層。

所屬領(lǐng)域的技術(shù)人員可以清楚地了解到，為描述的方便和簡潔，上述描述的系統(tǒng)，裝置和單元的具體工作過程，可以參考前述方法實(shí)施例中的對應(yīng)過程，在此不再贅述。

在本申請所提供的幾個(gè)實(shí)施例中，應(yīng)該理解到，所揭露的系統(tǒng)，裝置和方法，可以通過其它的方式實(shí)現(xiàn)。例如，以上所描述的裝置實(shí)施例僅僅是示意性的，例如，所述單元的劃分，僅僅為一種邏輯功能劃分，實(shí)際實(shí)現(xiàn)時(shí)可以有另外的劃分方式，例如多個(gè)單元或組件可以結(jié)合或者可以集成到另一個(gè)系統(tǒng)，或一些特征可以忽略，或不執(zhí)行。另一點(diǎn)，所顯示或討論的相互之間的耦合或直接耦合或通信連接可以是通過一些接口，裝置或單元的間接耦合或通信連接，可以是電性，機(jī)械或其它的形式。

所述作為分離部件說明的單元可以是或者也可以不是物理上分開的，作為單元顯示的部件可以是或者也可以不是物理單元，即可以位于一個(gè)地方，或者也可以分布到多個(gè)網(wǎng)絡(luò)單元上?？梢愿鶕?jù)實(shí)際的需要選擇其中的部分或者全部單元來實(shí)現(xiàn)本實(shí)施例方案的目的。

另外，在本發(fā)明各個(gè)實(shí)施例中的各功能單元可以集成在一個(gè)處理單元中，也可以是各個(gè)單元單獨(dú)物理存在，也可以兩個(gè)或兩個(gè)以上單元集成在一個(gè)單元中。上述集成的單元既可以采用硬件的形式實(shí)現(xiàn)，也可以采用軟件功能單元的形式實(shí)現(xiàn)。

所述集成的單元如果以軟件功能單元的形式實(shí)現(xiàn)并作為獨(dú)立的產(chǎn)品銷售或使用時(shí)，可以存儲在一個(gè)計(jì)算機(jī)可讀取存儲介質(zhì)中?；谶@樣的理解，本發(fā)明的技術(shù)方案本質(zhì)上或者說對現(xiàn)有技術(shù)做出貢獻(xiàn)的部分或者該技術(shù)方案的全部或部分可以以軟件產(chǎn)品的形式體現(xiàn)出來，該計(jì)算機(jī)軟件產(chǎn)品存儲在一個(gè)存儲介質(zhì)中，包括若干指令用以使得一臺計(jì)算機(jī)設(shè)備(可以是個(gè)人計(jì)算機(jī)，服務(wù)器，或者網(wǎng)絡(luò)設(shè)備等)執(zhí)行本發(fā)明各個(gè)實(shí)施例所述方法的全部或部分步驟。而前述的存儲介質(zhì)包括：U盤、移動硬盤、只讀存儲器(ROM，Read-Only Memory)、隨機(jī)存取存儲器(RAM，Random Access Memory)、磁碟或者光盤等各種可以存儲程序代碼的介質(zhì)。

以上所述，以上實(shí)施例僅用以說明本發(fā)明的技術(shù)方案，而非對其限制；盡管參照前述實(shí)施例對本發(fā)明進(jìn)行了詳細(xì)的說明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解：其依然可以對前述各實(shí)施例所記載的技術(shù)方案進(jìn)行修改，或者對其中部分技術(shù)特征進(jìn)行等同替換；而這些修改或者替換，并不使相應(yīng)技術(shù)方案的本質(zhì)脫離本發(fā)明各實(shí)施例技術(shù)方案的精神和范圍。