[發明專利]一種四級人臉檢測和關鍵點回歸的方法及系統

在審

• 申請號: 201911194038.6
• 申請日: 2019-11-28
• 公開（公告）號: CN110956130A
• 公開（公告）日: 2020-04-03
• 發明（設計）人: 馮偲
• 申請（專利權）人: 的盧技術有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00
• 代理公司: 南京禹為知識產權代理事務所(特殊普通合伙) 32272
• 代理人: 王曉東

1.一種四級人臉檢測和關鍵點回歸的方法，其特征在于：包括以下步驟，

采集模塊(100)采集人臉圖像數據，并結合公開數據集構建訓練樣本；

處理模塊(200)對所述訓練樣本進行處理，分為完整人臉圖像、部分人臉圖像和無人臉圖像三種類別；

識別模塊(300)搭建四級人臉檢測模型并基于所述訓練樣本分別對四個人臉檢測模型進行訓練，輸出充分訓練后的人臉檢測模型；

使用采集模塊(100)采集待測圖像；

將所述待測圖像輸入訓練后的識別模塊(300)進行人臉檢測。

2.如權利要求1所述的四級人臉檢測和關鍵點回歸的方法，其特征在于：所述對訓練樣本進行處理還包括以下步驟，

根據標簽信息在正確的人臉框中心點隨機生成候選框，然后將候選框和正確框計算IOU，并根據IOU大小確定候選框的標簽。

3.如權利要求2所述的四級人臉檢測和關鍵點回歸的方法，其特征在于：所述分類的標準為，

0.65<IOU<1時，為完整人臉圖像，作為正樣本；

0.3<IOU<0.65時，為有部分人臉圖像，作為部分樣本；

IOU<0.3時，為無人臉圖像，作為負樣本。

4.如權利要求3所述的四級人臉檢測和關鍵點回歸的方法，其特征在于：所述正樣本、部分樣本和負樣本的比例為1：1：3。

5.如權利要求2～4任一所述的四級人臉檢測和關鍵點回歸的方法，其特征在于：所述四級人臉檢測模型包括A-NET、B-NET、C-NET和D-NET四個網絡模型，且A-NET為包括四個卷積層的輕量級的全卷積網絡模型，B-NET、C-NET和D-NET為有全連接的分類網絡模型。

6.如權利要求5所述的四級人臉檢測和關鍵點回歸的方法，其特征在于：所述對人臉檢測模型進行訓練基于caffe深度學習工具進行，當損失函數的值停止收斂在0.08時，停止訓練。

7.如權利要求6所述的四級人臉檢測和關鍵點回歸的方法，其特征在于：所述分類損失使用交叉熵損失函數，回歸損失使用歐氏距離損失函數，計算公式如下，

其中，L為交叉熵，dist(X,Y)為歐氏距離，為預測值，y實際標簽，x_i為實際的回歸值，y_i為預測的回歸值。

8.如權利要求7所述的四級人臉檢測和關鍵點回歸的方法，其特征在于：所述待測圖像的檢測還包括以下步驟，

所述處理模塊(200)對所述待測圖像圖像進行多尺度的縮放后輸入所述識別模塊(300)的A-NET網絡，輸出邊框回歸bbox的值；

利用非極大值抑制算法進行邊界框的融合，將融合的結果縮放到24*24像素大小的圖像imga；

將圖像imga輸入B-NET網絡，輸出為每個圖像存在人臉的概率和每個圖像的邊框回歸信息；

利用非極大值抑制對邊界框bbox進行融合，并把圖像縮放到48*48大小的圖像imgb；

將圖像imgb輸入C-NET網絡，輸出為每個圖像存在人臉的概率和每個圖像的邊框回歸信息；

利用非極大值抑制對邊界框bbox進行融合.處理之后的圖像為imgc；

將圖像imgc輸入D-NET網絡，D-NET的輸出為包含邊界框回歸信息的最終結果圖像。

9.一種四級人臉檢測和關鍵點回歸的系統，其特征在于：包括，

采集模塊(100)，所述采集模塊(100)能夠進行圖像的采集；

處理模塊(200)，所述處理模塊(200)能夠對采集到的圖像進行處理；

識別模塊(300)，所述識別模塊(300)用于搭建人臉檢測模型，并對處理后的圖像進行人臉檢測。