[發明專利]一種候選框生成網絡的生成方法及人臉檢測方法

在審

• 申請號: 201710242833.2
• 申請日: 2017-04-14
• 公開（公告）號: CN106991408A
• 公開（公告）日: 2017-07-28
• 發明（設計）人: 段翰聰;趙子天;鄒涵江;文慧;張帆;閔革勇;孫振興;陳紹斌
• 申請（專利權）人: 電子科技大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 成都行之專利代理事務所(普通合伙)51220
• 代理人: 田甜

技術領域

本發明涉及人臉檢測方法領域，具體涉及一種候選框生成網絡的生成方法及基于該候選框生成網絡的人臉檢測方法。

背景技術

人臉檢測是計算機視覺領域中研究最多的課題之一，不僅是因為在物體檢測中人臉檢測具有挑戰性，更由于有無數的應用程序，需要運用人臉檢測作為第一步。人臉檢測任務的目標是對任意給定的一幅圖像或一組圖像序列，使用機器自動判定該圖像或該序列中是否存在，且在存在人臉的情況下，找出其位置和大小。人臉檢測問題通常被抽象為一個二分類問題，即區分人臉與非人臉。

人臉圖像在其表現與形狀上呈現出巨大的差異，而在真實場景中，更由于光照、遮擋、角度、姿態等因素，增加了人臉檢測的難度。經典的人臉檢測方法主要通過基于人臉和非人臉的圖像樣本學習分類器，然后在輸入的圖像上生成候選框，再使用訓練好的數據學習分類器對每個候選窗口進行分類。隨著深度神經網絡的不斷發展與運用，各種結構的網絡模型被用于人臉檢測，然而，模型復雜度低的分類器缺乏足夠的建模能力，模型復雜度高的分類器則具有高昂的計算開銷。實際的應用程序中，由于視頻及圖像需要在有限計算資源下實時處理，目前很多方法難以同時在精度和速度上取得好的表現。

分析人臉檢測的流程，可發現大量候選框的計算分類是造成高昂計算開銷的一個原因。現已有兩種人臉候選框的生成方法：一種是基于滑動窗口的候選框生成技術，一種是基于區域的候選框生成技術，但這兩種常用的方法在實際應用中都存在一定的問題。前者在面對多尺度的人臉檢測時會產生大約10⁶至10⁷個候選框，十分耗時；后者雖然只會產生幾千甚至幾百個候選框，但是基于這種方法產生的每一個候選框都需要放入卷積神經網絡中進行計算，相當于一張圖片需要進行成百上千次前向計算，同樣十分耗時。

發明內容

本發明為了解決上述技術問題提供一種候選框生成網絡的生成方法及人臉檢測方法。

本發明通過下述技術方案實現：

一種候選框生成網絡的生成方法，包括以下步驟，

A、將圖片輸入網絡，經卷積加池化操作，得到一個特征圖；

B、將特征圖中的每一個點映射回原圖的感受野中，并以該點為基準點，根據候選框面積和候選框面積縮放比例產生一定數量的候選框；

C、對候選框進行正負樣本的劃分；

D、隨機采樣步驟C中產生的多個候選框來優化損失函數。

作為優選，步驟B中映射關系為：p_i＝s_i*p_i+1，式中，p_i表示第i層layer的輸入的某個點，s_i表示第i層layer的步長。

作為優選，步驟C具體的操作過程為：計算候選框與訓練集中每個標定目標的重疊率，并根據重疊率進行正負樣本的劃分：對訓練集中每個標定目標，與其重疊區域最大的候選框記為正樣本；對于剩余的候選框，如果它與某個標定目標重疊率大于上限閾值，記為正樣本候選框；若與任意一個標定目標的重疊率都小于下限閾值，則記為負樣本候選框；針對上述剩余的候選框以及跨越原始圖像邊界的候選框，棄去不用；所述上限閾值大于下限閾值。

進一步的，重疊率的計算方法為候選框與標定目標的交集比上候選框與標定目標的并集。

作為優選，所述損失函數包括和

其中，L_i表示第i個樣本的分類損失；f_j表示樣本i在類別j上的得分；y_i表示樣本i的真實類別；t_i是樣本i的預測的框的坐標，是樣本i的Ground Truth的坐標。

一種人臉檢測方法，包括如下步驟：

獲取待檢測的圖片；

將待檢測圖片輸入訓練后的人臉檢測網絡中，所述人臉檢測網絡包括上述的候選框生成網絡和人臉分類網絡；

候選框生成網絡在待檢測圖片上產生可能為人臉的區域Proposals；

人臉分類網絡對可能為人臉的區域Proposals進行分類；

輸出分類為人臉的框及回歸的坐標，并標記。

作為優選，所述人臉檢測網絡的訓練方法為：

⑴、在人臉圖像數據集的圖片中標注出人臉位置，制作訓練集，其中，圖片的大小相等；