[發明專利]一種人臉檢測方法及存儲介質

有效

• 申請號: 201810290187.1
• 申請日: 2018-04-03
• 公開（公告）號: CN108664893B
• 公開（公告）日: 2022-04-29
• 發明（設計）人: 黃海清;王金橋;陳盈盈;劉智勇;鄭碎武;楊旭;黃志明;謝德坤;田健
• 申請（專利權）人: 福建海景科技開發有限公司
• 主分類號: G06V40/16
• 分類號: G06V40/16;G06V10/774;G06V10/764;G06K9/62
• 代理公司: 福州市景弘專利代理事務所(普通合伙) 35219
• 代理人: 林祥翔;徐劍兵

1.一種人臉檢測方法，其特征在于，該方法包括以下步驟：

步驟100，構建基于卷積神經網絡的人臉檢測模型作為老師網絡，訓練該模型直至收斂；

老師網絡的框架和學生網絡一樣，但是每層的濾波器的數量是學生網絡的若干倍，老師網絡與復雜網絡相互替換，學生網絡同樣也能夠與輕量網絡替換，輕量網絡的特點在于其是與復雜網絡同框架的卷積神經網絡的人臉檢測模型，所述輕量網絡的框架中每層濾波器的數量均小于復雜網絡；

步驟102，對輕量網絡和復雜網絡分別輸入一批同樣的訓練圖像；步驟104，針對輕量網絡和復雜網絡的分類圖的輸出結果，采用難樣本挖掘法進行過濾，從而解決類別不均衡問題和擬合效率低的問題；

一個典型的基于單步法的分類圖的輸出大小為2N×H×W，其中N為錨點框的個數，2表示每個錨點框都需要預測正類和負類的概率，H為分類圖的高，W為它的寬，因為正類和負類的概率經過標準化，相加始終為1，在進行知識蒸餾時只關注正類的概率，因此分類圖的輸出被簡化為N×H×W，在訓練過程中，老師網絡和學生網絡分別會輸出一個分類圖的結果，針對這兩個結果，需要決定分類圖的哪些索引是應該被過濾的，哪些是用于知識蒸餾的；

步驟106，構造綜合損失函數，所述綜合損失函數包括知識蒸餾損失函數或基于標簽的人臉檢測損失函數，所述知識蒸餾損失函數根據輕量網絡和復雜網絡的分類圖的輸出結果獲得；

步驟108，基于損失函數，更新輕量網絡的參數，不更新復雜網絡的參數；

步驟110，重復上述步驟，直至輕量網絡訓練至收斂；

通過上述步驟，能夠有效提升輕量級人臉檢測器的精度，使得人臉檢測在計算資源受限的設備上也能取得令人滿意的檢測效果，由于檢測模型和分類以及度量學習模型存在網絡結構上的不同，所以無法直接將知識蒸餾方法直接用于檢測任務，而分類圖能夠提供有效的軟標簽信息，將分類圖作為學生網絡和老師網絡遷移知識的媒介，分類圖的輸出結果存在大量的負類樣本，采用難樣本挖掘方法用于過濾簡單的負樣本，使得類別達到均衡，同時也過濾了簡單的正樣本，使得知識蒸餾的效率更高；

訓練時，基于知識蒸餾的損失函數和基于標簽的損失函數以適當的比例相加，構成完整的損失函數，把測試圖像輸入訓練好的學生網絡模型，輸出檢測結果框，由于輸出的檢測框的數量非常多，需要對它們進行篩選跟合并，首先通過置信度閾值T＝0.05，篩掉大部分的檢測框，接著根據置信度選出前N_a＝400個檢測框，然后使用非極大值抑制去除重復的檢測框，并根據置信度選出前N_b＝200個檢測框，即得到最終的檢測結果；最終，基于知識蒸餾的訓練方法能有效地提高輕量級人臉檢測模型的檢測能力。

2.根據權利要求1所述的人臉檢測方法，其特征在于，所述難樣本挖掘法進行過濾具體為：

設定一個閾值T，用于判斷分類圖中的某個概率是否具有足夠的置信度；T是一個超參數，取值范圍是0到1，遍歷分類圖中的每一個索引，當該索引在輕量網絡中的概率大于T而在復雜網絡的概率小于T時，將該索引加入集合S_m；或者，當該索引在輕量網絡中的概率小于T而在復雜網絡的概率大于T時，也將該索引加入S_m。

3.根據權利要求2所述的人臉檢測方法，其特征在于，

所述知識蒸餾損失函數為：

其中，p⁽ⁱ⁾為復雜網絡的分類圖中的第i個概率分數，q⁽ⁱ⁾則是輕量網絡分類圖的第i個概率分數。

4.根據權利要求2或3所述的人臉檢測方法，其特征在于，

所述基于標簽的人臉檢測損失函數，為：

L_G＝L_cls+L_reg

其中，L_cls是用于分類的二類Softmax損失函數，L_reg是用于回歸的魯棒回歸損失函數；

所述綜合損失函數為知識蒸餾損失函數與基于標簽的人臉檢測損失函數加權：

L＝L_G+cL_KD

c是平衡系數。