[發明專利]一種改進的FasterR?CNN人臉檢測方法

在審

• 申請號: 201710714095.7
• 申請日: 2017-08-18
• 公開（公告）號: CN107527029A
• 公開（公告）日: 2017-12-29
• 發明（設計）人: 衛晨;李偉山
• 申請（專利權）人: 衛晨
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04
• 代理公司: 陜西增瑞律師事務所61219
• 代理人: 劉艷霞

技術領域

本發明屬于深度學習技術領域，具體涉及一種改進的Faster R-CNN人臉檢測方法。

背景技術

近年來，隨著深度學習技術的發展，物體檢測：如目標檢測、行人檢測、車輛檢測等領域發展的非常快，出現了一系列優秀的深度學習的目標檢測系統如：fast R-CNN、Faster R-CNN等算法。可以準確、有效的檢測到目標，在公測數據集如：PASCAL VOC12、COCO等數據集上取得了良好的檢測效果。Fast R-CNN、Faster R-CNN等算法都是針對自然場景下的目標設計出來的，對自然場景下目標的檢測有較高的準確率，是一個通用目標檢測器。自然場景下目標的尺度一般都較大，像VOC、COCO數據集中目標的尺寸都普遍偏大。目前的Faster RCNN目標檢測算法對小目標的檢測很不敏感。

人臉檢測，是人臉識別技術中非常重要的一項技術，對人臉識別最終的性能起到非常重要的影響。人臉兼具有物體的剛性和柔性特質，受光照、尺度、遮擋、角度、環境等因素的影響較大。日常生產生活中，照片與視頻中人臉除非刻意的擺拍，一般情況下，人臉的尺寸相對較小。因此，人臉檢測是一個小目標的目標檢測任務。人臉由于尺寸較小因此蘊含的特征較小且易受環境因素干擾；自然界中的人臉尺度的范圍跨越較大，從幾十像素到幾百像素不等；人臉檢測是人臉識別技術的一個基礎性的任務，對檢測的準確率要求較高，因此，人臉檢測是一個非常苛刻的任務。

發明內容

本發明所要解決的技術問題在于針對上述現有技術的不足，提供一種提高人臉檢測準確率，降低了人臉檢測的漏檢率，具有實用價值的改進的Faster R-CNN人臉檢測方法。

為解決上述技術問題，本發明采用的技術方案是一種改進的Faster R-CNN人臉檢測方法，包括以下步驟：

步驟1、將原始圖片輸入到RPN網絡中，輸出多尺度的候選區域定位框和定位框內包含人臉的概率值；

步驟2、用非極大值抑制算法處理步驟1中的區域定位框，依據概率值，由高到低依次選取300個候選的人臉區域定位框；

步驟3、將步驟1中的初始圖片和步驟2中的300個候選的人臉區域定位框輸入到目標檢測網絡中；

步驟4：目標檢測網絡對輸入的圖片進行卷積運算，并經過多層卷積層前向傳播到最后一層卷積層，輸出圖片特征圖；

步驟5、將步驟2中的300個候選的人臉區域定位框通過坐標的映射變換，映射到步驟4中的圖片特征圖上，即得到300個候選的人臉區域定位框的特征圖；

步驟6、將步驟5中的300個候選的人臉區域定位框的特征圖依次經ROI pooling層，得尺寸相一致的300個候選的人臉區域定位框的特征圖；

步驟7、將步驟6中的尺寸相一致的300個候選的人臉區域定位框的特征圖進行分類，輸出人臉區域坐標和概率。

進一步地，該步驟1中，候選區域定位框為12種不同規格大小。

進一步地，該步驟3中的目標檢測網絡包括依次排列的特征提取層、ROI pooling層、全連接層、分類器和定位框回歸器；所述特征提取層包括依次連接的多層卷積層。

進一步地，該步驟4中，特征提取層選用101層的殘差網絡。

進一步地，該101層的殘差網絡中，第四個殘差塊conv5_x中的每一個殘差單元中間層為擴張卷積層，其擴張系數為2。

進一步地，該RPN網絡和目標檢測網絡共用特征提取層。

本發明一種改進的Faster R-CNN人臉檢測方法具有如下優點：能夠涵蓋多種尺寸大小的人臉區域；同時利用擴張卷積在不損失信息的情況下，加大了感受野，讓卷積輸出包含較大范圍的信息。可以進行有效的人臉檢測，能夠實現有效的人臉特征的提取，提高了人臉檢測的準確率，降低了人臉檢測的漏檢率。

附圖說明

圖1是本發明一種改進的FasterR-CNN人臉檢測方法的流程圖；

圖2是本發明一種改進的Faster R-CNN人臉檢測方法在wider face測試數據集上的P-R曲線；

2a.Easy模式下的P-R曲線；

2b.Medium模式下的P-R曲線；

2c.Hard模式下的P-R曲線；

圖3是本發明中的一種改進的Faster R-CNN人臉檢測方法在煤礦入井口的檢測效果圖；

圖4是本發明中的一種改進的Faster R-CNN人臉檢測方法與其他檢測方法的檢測圖；