[發明專利]一種遮擋人臉圖像高準確率檢測對比方法

在審

• 申請號: 202010156376.7
• 申請日: 2020-03-09
• 公開（公告）號: CN111310718A
• 公開（公告）日: 2020-06-19
• 發明（設計）人: 孫冰;潘召軍
• 申請（專利權）人: 成都川大科鴻新技術研究所
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明公開了一種遮擋人臉圖像高準確率檢測對比方法，包括以下步驟：對訓練數據進行預處理；制作用于訓練生成分支的生成目標圖片集；構建特征增強分支，得到專注于面部的局部特征；構建并行的特征提取網絡分支，強化細節特征的提取和利用；構建完整網絡模型，并基于融合特征和并行特征提取進行人臉區域分類與邊框回歸；網絡端到端訓練，更新網絡參數，得到完成訓練的檢測模型；輸入遮擋人臉圖像樣本，使用完成訓練的檢測模型框選人臉圖像位置，完成遮擋人臉圖像檢測。本發明可以有效提高可見人臉區域特征在整體特征中的比重，提升檢測模型對于遮擋人臉圖像的魯棒性，對于遮擋人臉圖像具有更高的檢測準確率和召回率。

技術領域

本發明涉及一種人臉圖像檢測方法，尤其涉及一種遮擋人臉圖像高準確率檢測對比方法。

背景技術

人臉圖像檢測也簡稱人臉檢測(Face Detection)，是指判斷輸入圖像中是否存在人臉圖像并確定所有人臉圖像區域具體位置的過程。隨著智能化識別技術愈加普遍，人臉圖像自動檢測技術在案件偵破、身份識別、移動社交、拍照美化等廣泛場景中發揮著重要的應用價值。

人臉圖像檢測技術主要分為傳統檢測方法和基于深度學習的檢測方法。其中，傳統人臉圖像檢測技術主要通過設計人工特征，如灰度特征、輪廓特征、膚色特征等對圖像進行人臉與非人臉的二分類。Paul Viola等人提出的VJ檢測算法就是傳統檢測算法的優秀代表。VJ算法利用Haar特征和Adaboost級聯策略，通過層級訓練弱分類器構建強檢測器，達到了實時的檢測速率和比較好的檢測準確率。

相比于傳統機器學習方法，神經網絡在非線性函數擬合方面更具優勢。隨著近年來深度學習領域相關技術的進步，相關模型在圖片特征提取及分類檢測方面都具有優異的表現，因此深度學習在人臉圖像檢測上的應用愈發廣泛。比如經典的RCNN系檢測模型，通過卷積與池化層對輸入圖像進行特征提取，然后在特征圖的基礎上獲取不同比例的候選區域，并對候選區域進行是否是人臉的二分類以及邊框回歸。

現有人臉圖像檢測模型在約束條件下能夠取得不錯的檢測效果，但實際應用場景中通常存在各種情況的遮擋，這種部分特征缺失的人臉圖像給人臉圖像準確檢測帶來了困難和挑戰。比如Faster RCNN能夠在公開數據集VOC2007上取得較高的準確率，但是在處理存在大量遮擋的人臉圖像時，存在大量的漏檢和誤檢。

發明內容

本發明的目的就在于為了解決上述問題而提供一種能顯著提高遮擋人臉圖像檢測準確性的遮擋人臉圖像高準確率檢測方法。

本發明通過以下技術方案來實現上述目的：

一種遮擋人臉圖像高準確率檢測對比方法，包括以下步驟：

步驟1、對訓練數據進行預處理；

步驟2、制作用于訓練生成分支的生成目標圖片集；

步驟3、構建特征增強分支，得到專注于面部的局部特征；構建并行的特征提取網絡分支，強化細節特征的提取和利用；

步驟4、構建完整網絡模型，并基于融合特征和并行特征提取進行人臉區域分類與邊框回歸；

步驟5、網絡端到端訓練，更新網絡參數，得到完成訓練的檢測模型；

步驟6、輸入遮擋人臉圖像樣本，使用完成訓練的檢測模型框選人臉圖像位置，完成遮擋人臉圖像檢測。

作為優選，所述步驟1中，所述訓練數據集采用WiderFace公開數據集，所述預處理包括對所有輸入圖像進行尺寸縮放處理，以避免占用過高顯存。