一种人脸检测的方法和装置技术领域
本公开是关于计算机技术领域，尤其是关于一种人脸检测的方法和装置。
背景技术
人脸检测技术是指根据人脸的特征信息，对图像中的人脸进行定位的技术。一般
人脸检测技术使用的算法模型是深度卷积网络模型，具体处理是：
将待检测图像作为预设的深度卷积网络模型的输入，经过多层处理，再经过全连
接处理，得到待检测图像中的人脸位置信息。多层处理中一般包括至少一层卷积处理和至
少一层池化处理，进行卷积处理的层可以称作卷积层，进行池化处理的层可以称作池化层。
在多层处理过程中，上一层处理的输出会作为下一层的输入。在某一卷积层进行卷积处理
时，一般将上一层处理的输出数据(可以是矩阵或向量)与该卷积层的卷积核(由多个不同
参数组成的矩阵)进行相乘，得到该卷积层处理的输出数据。
一般深度卷积网络模型中包括很多卷积层，每个卷积层对应有多个卷积核，这样，
由于卷积层的卷积核数目比较多，在进行卷积处理时，需要进行大量复杂的计算，从而人脸
检测的处理速度比较慢。
发明内容
为了克服相关技术中存在的问题，本公开提供了一种人脸检测的方法和装置。所
述技术方案如下：
根据本公开实施例的第一方面，提供一种人脸检测的方法，所述方法包括：
在待使用的深度卷积网络模型中，获取目标卷积层的卷积核；
对所述目标卷积层的卷积核进行典范CP分解，得到所述目标卷积层的低秩卷积
核；
在所述待使用的深度卷积网络模型中，将所述目标卷积层的卷积核替换为对应的
低秩卷积核，得到调整后的深度卷积网络模型；
基于所述调整后的深度卷积网络模型对图像进行人脸检测。
可选的，所述方法还包括：
将所述调整后的深度卷积网络模型中的模型参数的取值，设置为所述调整后的深
度卷积网络模型的所述模型参数的训练初始值，对所述调整后的深度卷积网络模型进行重
训练；
所述基于所述调整后的深度卷积网络模型对图像进行人脸检测，包括：
基于重训练后的深度卷积网络模型对图像进行人脸检测。
可选的，所述对所述调整后的深度卷积网络模型进行重训练，包括：
对于预设的每个样本图像，基于误差回传算法，确定所述样本图像对应的所述模
型参数的训练值，其中，当所述调整后的深度卷积网络模型中所述模型参数的取值为所述
训练值，且所述调整后的深度卷积网络模型的输入图像为所述样本图像时，所述调整后的
深度卷积网络模型的输出值与所述样本图像对应的预设基准输出值满足预设匹配条件；
确定每个样本图像对应的所述模型参数的训练值的平均值；
将所述调整后的深度卷积网络模型中所述模型参数的取值调整为对应的平均值，
得到重训练后的深度卷积网络模型。
可选的，所述对所述目标卷积层的卷积核进行CP分解，得到所述目标卷积层的低
秩卷积核，包括：
对所述目标卷积层的卷积核d×d×S×T进行CP分解，得到所述目标卷积层的四个
低秩卷积核d×R、d×R、S×R和T×R，其中，d为卷积核的行数与列数，S为色彩通道的数目，T
为所述目标卷积层的卷积核的数目、R为所述目标卷积层的卷积核的秩。
可选的，所述对所述目标卷积层的卷积核进行CP分解，得到所述目标卷积层的低
秩卷积核，包括：
如果所述目标卷积层的卷积核为满秩矩阵，则对所述目标卷积层的卷积核进行CP
分解，得到所述目标卷积层的低秩卷积核。
根据本公开实施例的第二方面，提供一种人脸检测的装置，所述装置包括：
获取模块，用于在待使用的深度卷积网络模型中，获取目标卷积层的卷积核；
分解模块，用于对所述目标卷积层的卷积核进行典范CP分解，得到所述目标卷积
层的低秩卷积核；
替换模块，用于在所述待使用的深度卷积网络模型中，将所述目标卷积层的卷积
核替换为对应的低秩卷积核，得到调整后的深度卷积网络模型；
检测模块，用于基于所述调整后的深度卷积网络模型对图像进行人脸检测。
可选的，所述装置还包括：
训练模块，用于将所述调整后的深度卷积网络模型中的模型参数的取值，设置为
所述调整后的深度卷积网络模型的所述模型参数的训练初始值，对所述调整后的深度卷积
网络模型进行重训练；
所述检测模块，用于：
基于重训练后的深度卷积网络模型对图像进行人脸检测。
可选的，所述训练模块包括第一确定子模块、第二确定子模块和调整子模块，其
中：
所述第一确定子模块，用于对于预设的每个样本图像，基于误差回传算法，确定所
述样本图像对应的所述模型参数的训练值，其中，当所述调整后的深度卷积网络模型中所
述模型参数的取值为所述训练值，且所述调整后的深度卷积网络模型的输入图像为所述样
本图像时，所述调整后的深度卷积网络模型的输出值与所述样本图像对应的预设基准输出
值满足预设匹配条件；
所述第二确定子模块，用于确定每个样本图像对应的所述模型参数的训练值的平
均值；
所述调整模块，用于将所述调整后的深度卷积网络模型中所述模型参数的取值调
整为对应的平均值，得到重训练后的深度卷积网络模型。
可选的，所述分解模块，用于：
对所述目标卷积层的卷积核d×d×S×T进行CP分解，得到所述目标卷积层的四个
低秩卷积核d×R、d×R、S×R和T×R，其中，d为卷积核的行数与列数，S为色彩通道的数目，T
为所述目标卷积层的卷积核的数目、R为所述目标卷积层的卷积核的秩。
可选的，所述分解模块，用于：
如果所述目标卷积层的卷积核为满秩矩阵，则对所述目标卷积层的卷积核进行CP
分解，得到所述目标卷积层的低秩卷积核。
根据本公开实施例的第三方面，提供一种人脸检测的装置，所述装置包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：
在待使用的深度卷积网络模型中，获取目标卷积层的卷积核；
对所述目标卷积层的卷积核进行CP分解，得到所述目标卷积层的低秩卷积核；
在所述待使用的深度卷积网络模型中，将所述目标卷积层的卷积核替换为对应的
低秩卷积核，得到调整后的深度卷积网络模型；
基于所述调整后的深度卷积网络模型对图像进行人脸检测。
本公开的实施例提供的技术方案可以包括以下有益效果：
本公开实施例中，在待使用的深度卷积网络模型中，服务器可以获取目标卷积层
的卷积核，对目标卷积层的卷积核进行CP分解，得到目标卷积层的低秩卷积核，在待使用的
深度卷积网络模型中，将目标卷积层的卷积核替换为对应的低秩卷积核，得到调整后的深
度卷积网络模型，在后续的图像人脸检测过程中，基于调整后的深度卷积网络模型对图像
进行人脸检测。这样，在使用深度卷积网络模型进行图像人脸检测时，卷积层的卷积核为低
秩卷积核，低秩卷积核中的参数较少，数据处理量比较小，从而可以提高人脸检测的处理速
度。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不
能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施
例，并与说明书一起用于解释本公开的原理。在附图中：
图1是本公开实施例提供的一种人脸检测的方法的流程图；
图2是本公开实施例提供的一种目标卷积层卷积核的示意图；
图3是本公开实施例提供的一种人脸检测过程的示意图；
图4是本公开实施例提供的一种深度卷积网络模型的训练方法的流程图；
图5是本公开实施例提供的一种人脸检测的装置的结构示意图；
图6是本公开实施例提供的一种人脸检测的装置的结构示意图；
图7是本公开实施例提供的一种人脸检测的装置的结构示意图；
图8是本公开实施例提供的一种服务器的结构示意图。
通过上述附图，已示出本公开明确的实施例，后文中将有更详细的描述。这些附图
和文字描述并不是为了通过任何方式限制本公开构思的范围，而是通过参考特定实施例为
本领域技术人员说明本公开的概念。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及
附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例
中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附
权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
本公开实施例提供了一种人脸检测的方法，该方法的执行主体可以是服务器，其
中，服务器可以是人脸检测应用程序的后台服务器。该服务器中可以设置有处理器、存储器
等，处理器可以用于人脸检测的过程的处理，存储器可以用于存储人脸检测的过程中需要
的数据以及产生的数据。
如图1所示，该方法的处理流程可以包括如下的步骤：
在步骤101中，在待使用的深度卷积网络模型中，获取目标卷积层的卷积核。
其中，目标卷积层可以是一个卷积层，也可以是多个卷积层。
在实施中，待使用的深度卷积网络模型中，包括至少一个卷积层，每个卷积层中包
含预设数目个卷积核，每个卷积核的参数数目相同，参数的参数值不相同，每个卷积核中的
参数值都已经确定。服务器在进行图像的人脸检测之前，可以在至少一卷积层中，获取目标
卷积层的卷积核。
在步骤102中，对目标卷积层的卷积核进行典范CP分解，得到目标卷积层的低秩卷
积核。
在实施中，服务器获取到目标卷积层的卷积核之后，可以对目标卷积层的每个卷
积核进行CP(canonical polyadic decomposition，典范)分解，分别得到每个卷积核对应
的低秩卷积核，这样，就得到了目标卷积层的低秩卷积核。
可选的，可以将目标卷积层的卷积核分解为四个低秩卷积核，相应的步骤102的处
理可以如下：
对目标卷积层的卷积核d×d×S×T进行CP分解，得到目标卷积层的四个低秩卷积
核d×R、d×R、S×R和T×R，其中，d为卷积核的行数与列数，S为色彩通道的数目，T为目标卷
积层的卷积核的数目、R为目标卷积层的卷积核的秩。
其中，目标卷积层的卷积核d×d×S×T，d表示卷积核的行数与列数，S表示色彩通
道的数目，也就是RGB(Red Green Blue，红绿蓝)的数目，一般S为3，T表示目标卷积层的卷
积核的数目、R表示目标卷积层的卷积核的秩。
在实施中，如图2所示，服务器获取到目标卷积层的每个卷积核大小为d×d，共有T
个大小为d×d的卷积核，有S个色彩通道，这样，服务器获取到目标卷积层的卷积核大小为d
×d×S×T，可以将d×d×S×T，按照CP分解的方法分解为四个低秩卷积核的大小为d×R、d
×R、S×R和T×R。
例如，目标卷积层的输入表示为大小为X×Y×S的矩阵U，U＝X×Y×S，目标卷积层
的卷积核表示为大小为d×d×S×T矩阵k，k＝d*d*S*T，目标卷积层的输出表示为大小为
(X-d+1)×(Y-d+1)的矩阵V，目标卷积层的输出表示为式(1)
其中，将卷积核k使用CP分解后得到式(2)，
式(2)中kx(i-x+δ,r)、ky(j-y+δ,r)、ks(s,r)、kt(t,r)分别表示四个分量矩阵，大
小分别是d×R、d×R、S×R和T×R，将式(2)代入式(1)中，得到式(3)
这样，该卷积层的输出V(x,y,t)可以通过以下的低秩卷积核计算得到：
这样，对于目标卷积层的输出可以表示为式(7)，在目标卷积层进行卷积处理时，
需要进行的乘法计算的复杂度变从X*Y*d2*S*T变为X*Y*R*(2d+S+T)，由于R远小于d，计算
的复杂度降低了，可以提高人脸检测的效率。
可选的，如果目标卷积层的卷积核为满秩矩阵，则对目标卷积层的卷积核进行CP
分解，得到目标卷积层的低秩卷积核。
在实施中，服务器获取到目标卷积层的卷积核后，可以确定卷积核的秩，如果卷积
核的秩等于卷积核的行数、或者等于卷积核的列数，则确定卷积核为满秩矩阵，然后服务器
对目标卷积核进行CP分解，得到目标卷积层的低秩卷积核。
在步骤103中，在待使用的深度卷积网络模型中，将目标卷积层的卷积核替换为对
应的低秩卷积核，得到调整后的深度卷积网络模型。
在实施中，服务器确定目标卷积核的低秩卷积核后，可以在待使用的深度卷积网
络模型中，将目标卷积层的每个卷积核分别替换为对应的低秩卷积核，并进行存储，得到调
整后的深度卷积网络模型。
在步骤104中，基于调整后的深度卷积网络模型对图像进行人脸检测。
在实施中，如图3所示，服务器确定调整后的深度卷积网络模型后，可以将调整后
的深度卷积网络模型用于图像的人脸检测中，处理可以是：将待检测图像作为调整后的深
度卷积网络模型输入，经过卷积处理和池化处理后，得到N*N的图像，然后将N*N的图像分割
为等大小的预设数目个图像块，对于每个图像块，以图像块的中心位置点为候选框的中心
位置点，按照宽高比例为1:2、1:1和2:1和面积为1282、2562和5122的9个候选框在图像块中
添加候选框，并确定每个候选框的位置信息，然后获取候选框中图像的图像特征向量。然后
进行全连接处理，过程是将获取到的图像特征向量乘以预设矩阵W，得到每个候选框包含的
图像特征的类别，以及每个候选框需要调整的位置，这样，就可以确定图像中人脸的位置信
息。
本公开实施例中还提供了对调整后的深度卷积网络模型进行重新训练的过程，相
应的处理可以如下：
将调整后的深度卷积网络模型中的模型参数的取值，设置为调整后的深度卷积网
络模型的模型参数的训练初始值，对调整后的深度卷积网络模型进行重训练，基于重训练
后的深度卷积网络模型对图像进行人脸检测。
其中，模型参数包括卷积核中的参数、池化核中的参数等深度卷积网络模型中的
其它参数等。
在实施中，在确定调整后的深度卷积网络模型后，可以获取调整后的深度卷积网
络模型中的模型参数的取值，然后将获取到的模型参数的取值作为卷积网络模型的模型参
数的训练初始值，对调整后的深度卷积网络模型进行重新训练，在得到重训练后的深度卷
积网络模型后，可以基于重训练后的深度卷积网络模型对图像进行人脸检测。
可选的，对调整后的深度卷积网络模型进行重训练的过程与一般卷积网络模型的
训练过程一样，如图4所示，具体处理步骤可以如下：
在步骤401中，对于预设的每个样本图像，基于误差回传算法，确定样本图像对应
的模型参数的训练值，其中，当调整后的深度卷积网络模型中模型参数的取值为训练值，且
调整后的深度卷积网络模型的输入图像为样本图像时，调整后的深度卷积网络模型的输出
值与样本图像对应的预设基准输出值满足预设匹配条件。
其中，预设匹配条件可以是调整后的深度卷积网络模型的输出值与样本图像对应
的预设基准输出值的差值小于预设阈值等。
在实施中，在确定调整后的深度卷积网络模型后，可以获取调整后的深度卷积网
络模型中的模型参数的取值，并获取预设的样本图像，样本图像还对应有预设基准输出值。
在训练过程中，确定调整后的深度卷积网络模型对应的目标函数，目标函数的自变量是调
整后的深度卷积网络模型的输入x，因变量是调整后的深度卷积网络模型的输出y，其中的
参数是模型参数w，w表示多个参数，目标函数表示为：将某个样本图像(可以称
为第一样本图像)作为调整后的深度卷积网络模型的输入，进行前向传播，确定目标函数的
y的值，如果目标函数的y的值与该样本图像对应的预设基准输出值不满足预设匹配条件，
则将目标函数与该预设基准输出值取差值，然后平方，得到损失函数L。然后使用误差回传
方法，通过调整后的深度卷积网络模型执行一个反向传播过程，在执行反向传播过程时，首
先获取预设的学习率α，然后基于损失函数，对每个参数取偏导数，并且计算参数下一次使
用的参数值直到计算出调整后的深度卷积网络模型中模型参数中每个
参数下一次使用的参数值。然后将确定出的模型参数的参数值更新至调整后的深度卷积网
络模型中，并将第一样本图像作为调整后的深度卷积网络模型的输入，然后执行前向传播
和后向传播，直到当第一样本图像作为调整后的深度卷积网络模型的输入时得到的输出值
与样本图像对应的预设基准输出值满足预设匹配条件，将此次模型参数的参数值确定为训
练值。上述过程是基于一个样本图像进行的训练过程，对于每个样本图像都执行上述过程，
直到确定基于每个样本图像进行训练时，调整后的深度卷积网络模型对应的模型参数的训
练值。
在步骤402中，确定每个样本图像对应的模型参数的训练值的平均值。
在实施中，将使用每个样本图像确定的模型参数的训练值分别求平均值，得到调
整后的深度卷积网络模型中各模型参数的取值。
在步骤403中，将调整后的深度卷积网络模型中模型参数的取值调整为对应的平
均值，得到重训练后的深度卷积网络模型。
在实施中，将调整后的深度卷积网络模型中各模型参数的取值分别调整为对应的
平均值，并进行存储，这样就得到了重训练后的深度卷积网络模型。
对于上述训练过程中提到的学习率，由于本方案是在已经确定调整后的深度卷积
网络模型的模型参数的参数值的基础上对模型参数的参数值进行微调，可以将学习率设置
的比较小。
本公开实施例中，在待使用的深度卷积网络模型中，服务器可以获取目标卷积层
的卷积核，对目标卷积层的卷积核进行CP分解，得到目标卷积层的低秩卷积核，在待使用的
深度卷积网络模型中，将目标卷积层的卷积核替换为对应的低秩卷积核，得到调整后的深
度卷积网络模型，在后续的图像人脸检测过程中，基于调整后的深度卷积网络模型对图像
进行人脸检测。这样，在使用深度卷积网络模型进行图像人脸检测时，卷积层的卷积核为低
秩卷积核，低秩卷积核的参数较少，数据处理量比较小，从而可以提高人脸检测的处理速
度。
本公开另一实施例提供了一种人脸检测的装置，如图5所示，该装置包括：
获取模块510，用于在待使用的深度卷积网络模型中，获取目标卷积层的卷积核；
分解模块520，用于对所述目标卷积层的卷积核进行典范CP分解，得到所述目标卷
积层的低秩卷积核；
替换模块530，用于在所述待使用的深度卷积网络模型中，将所述目标卷积层的卷
积核替换为对应的低秩卷积核，得到调整后的深度卷积网络模型；
检测模块540，用于基于所述调整后的深度卷积网络模型对图像进行人脸检测。
可选的，如图6所示，所述装置还包括：
训练模块550，用于将所述调整后的深度卷积网络模型中的模型参数的取值，设置
为所述调整后的深度卷积网络模型的所述模型参数的训练初始值，对所述调整后的深度卷
积网络模型进行重训练；
所述检测模块540，用于：
基于重训练后的深度卷积网络模型对图像进行人脸检测。
可选的，如图7所示，所述训练模块550包括第一确定子模块551、第二确定子模块
552和调整子模块553，其中：
所述第一确定子模块551，用于对于预设的每个样本图像，基于误差回传算法，确
定所述样本图像对应的所述模型参数的训练值，其中，当所述调整后的深度卷积网络模型
中所述模型参数的取值为所述训练值，且所述调整后的深度卷积网络模型的输入图像为所
述样本图像时，所述调整后的深度卷积网络模型的输出值与所述样本图像对应的预设基准
输出值满足预设匹配条件；
所述第二确定子模块552，用于确定每个样本图像对应的所述模型参数的训练值
的平均值；
所述调整子模块553，用于将所述调整后的深度卷积网络模型中所述模型参数的
取值调整为对应的平均值，得到重训练后的深度卷积网络模型。
可选的，所述分解模块520，用于：
对所述目标卷积层的卷积核d×d×S×T进行CP分解，得到所述目标卷积层的四个
低秩卷积核d×R、d×R、S×R和T×R，其中，d为卷积核的行数与列数，S为色彩通道的数目，T
为所述目标卷积层的卷积核的数目、R为所述目标卷积层的卷积核的秩。
可选的，所述分解模块520，用于：
如果所述目标卷积层的卷积核为满秩矩阵，则对所述目标卷积层的卷积核进行CP
分解，得到所述目标卷积层的低秩卷积核。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法
的实施例中进行了详细描述，此处将不做详细阐述说明。
本公开实施例中，在待使用的深度卷积网络模型中，服务器可以获取目标卷积层
的卷积核，对目标卷积层的卷积核进行CP分解，得到目标卷积层的低秩卷积核，在待使用的
深度卷积网络模型中，将目标卷积层的卷积核替换为对应的低秩卷积核，得到调整后的深
度卷积网络模型，在后续的图像人脸检测过程中，基于调整后的深度卷积网络模型对图像
进行人脸检测。这样，在使用深度卷积网络模型进行图像人脸检测时，卷积层的卷积核为低
秩卷积核，低秩卷积核的参数较少，数据处理量比较小，从而可以提高人脸检测的处理速
度。
需要说明的是：上述实施例提供的人脸检测的装置在进行人脸检测时，仅以上述
各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的
功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者
部分功能。另外，上述实施例提供的人脸检测的装置与人脸检测的方法实施例属于同一构
思，其具体实现过程详见方法实施例，这里不再赘述。
本公开再一示例性实施例提供了一种服务器的结构示意图。参照图8，服务器800
包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器
资源，用于存储可由处理部件1922的执行的指令，例如应用程序。存储器1932中存储的应用
程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配
置为执行指令，以执行上述显示使用记录的方法。
服务器800还可以包括一个电源组件1926被配置为执行服务器800的电源管理，一
个有线或无线网络接口1950被配置为将服务器800连接到网络，和一个输入输出(I/O)接口
1958。服务器800可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM，Mac
OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。
服务器800可以包括有存储器，以及一个或者一个以上的程序，其中一个或者一个
以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一个
以上程序包含用于进行以下操作的指令：
在待使用的深度卷积网络模型中，获取目标卷积层的卷积核；
对所述目标卷积层的卷积核进行典范CP分解，得到所述目标卷积层的低秩卷积
核；
在所述待使用的深度卷积网络模型中，将所述目标卷积层的卷积核替换为对应的
低秩卷积核，得到调整后的深度卷积网络模型；
基于所述调整后的深度卷积网络模型对图像进行人脸检测。
可选的，所述方法还包括：
将所述调整后的深度卷积网络模型中的模型参数的取值，设置为所述调整后的深
度卷积网络模型的所述模型参数的训练初始值，对所述调整后的深度卷积网络模型进行重
训练；
所述基于所述调整后的深度卷积网络模型对图像进行人脸检测，包括：
基于重训练后的深度卷积网络模型对图像进行人脸检测。
可选的，所述对所述调整后的深度卷积网络模型进行重训练，包括：
对于预设的每个样本图像，基于误差回传算法，确定所述样本图像对应的所述模
型参数的训练值，其中，当所述调整后的深度卷积网络模型中所述模型参数的取值为所述
训练值，且所述调整后的深度卷积网络模型的输入图像为所述样本图像时，所述调整后的
深度卷积网络模型的输出值与所述样本图像对应的预设基准输出值满足预设匹配条件；
确定每个样本图像对应的所述模型参数的训练值的平均值；
将所述调整后的深度卷积网络模型中所述模型参数的取值调整为对应的平均值，
得到重训练后的深度卷积网络模型。
可选的，所述对所述目标卷积层的卷积核进行CP分解，得到所述目标卷积层的低
秩卷积核，包括：
对所述目标卷积层的卷积核d×d×S×T进行CP分解，得到所述目标卷积层的四个
低秩卷积核d×R、d×R、S×R和T×R，其中，d为卷积核的行数与列数，S为色彩通道的数目，T
为所述目标卷积层的卷积核的数目、R为所述目标卷积层的卷积核的秩。
可选的，所述对所述目标卷积层的卷积核进行CP分解，得到所述目标卷积层的低
秩卷积核，包括：
如果所述目标卷积层的卷积核为满秩矩阵，则对所述目标卷积层的卷积核进行CP
分解，得到所述目标卷积层的低秩卷积核。
本公开实施例中，在待使用的深度卷积网络模型中，服务器可以获取目标卷积层
的卷积核，对目标卷积层的卷积核进行CP分解，得到目标卷积层的低秩卷积核，在待使用的
深度卷积网络模型中，将目标卷积层的卷积核替换为对应的低秩卷积核，得到调整后的深
度卷积网络模型，在后续的图像人脸检测过程中，基于调整后的深度卷积网络模型对图像
进行人脸检测。这样，在使用深度卷积网络模型进行图像人脸检测时，卷积层的卷积核为低
秩卷积核，低秩卷积核的参数较少，数据处理量比较小，从而可以提高人脸检测的处理速
度。
本领域技术人员在考虑说明书及实践这里公开的公开后，将容易想到本公开的其
它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或
者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识
或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的
权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并
且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。