[發(fā)明專利]基于任務(wù)指導(dǎo)的輕量級人臉檢測方法

在審

• 申請?zhí)枺?/td>: 202010318351.2
• 申請日: 2020-04-21
• 公開（公告）號: CN111553227A
• 公開（公告）日: 2020-08-18
• 發(fā)明（設(shè)計）人: 徐琴珍;楊哲;劉楊;王路;王馭揚;楊綠溪
• 申請（專利權(quán)）人: 東南大學(xué)
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04;G06N3/08
• 代理公司: 南京眾聯(lián)專利代理有限公司 32206
• 代理人: 葉涓涓

本發(fā)明公開了一種基于任務(wù)指導(dǎo)的輕量級人臉檢測方法，先將訓(xùn)練集進行數(shù)據(jù)增廣，通過輕量級骨干網(wǎng)絡(luò)在有限尺度空間內(nèi)盡量保持原有特征，接著利用特征整合模塊實現(xiàn)雙分支架構(gòu)且精簡計算，再引入關(guān)聯(lián)錨點輔助預(yù)測，以半監(jiān)督方式生成人臉周邊的頭部、身體信息，最后應(yīng)用任務(wù)指導(dǎo)型策略，對分類和回歸分而治之，即構(gòu)建選擇性分類組專用于類別打分任務(wù)，構(gòu)建選擇性回歸組專用于位置回歸任務(wù)，將二者的損失加權(quán)求和，用以指導(dǎo)訓(xùn)練與學(xué)習(xí)過程直至收斂，進而實現(xiàn)對目標人臉的檢測。本發(fā)明可達到工業(yè)級實時性標準，可被部署于邊緣與終端設(shè)備上，對計算能力和內(nèi)存大小的需求較低，且無需預(yù)訓(xùn)練網(wǎng)絡(luò)，較適用于中、低檢測難度的無約束場景。

技術(shù)領(lǐng)域

本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，涉及一種基于任務(wù)指導(dǎo)的輕量級人臉檢測方法。

背景技術(shù)

當(dāng)計算機在工業(yè)生產(chǎn)、監(jiān)管等方面逐漸普及，智能化設(shè)備內(nèi)含的算法程序便成為了目前的研究重點。其中，目標檢測因其廣泛的應(yīng)用場景是計算機視覺領(lǐng)域內(nèi)當(dāng)之無愧的最重要的分支，專注于從數(shù)字圖像中檢測出特定類(如人類、動物或汽車等)的可視化對象實例。人臉檢測是目標檢測領(lǐng)域里經(jīng)典的二分類問題，即從圖像中辨別出人臉、背景，并給出目標人臉所外接的矩形框的具體位置坐標。人臉檢測利用機器去處理和分析海量圖像、視頻所包含的有效信息，在隱私保護、安防監(jiān)控、社會管理等方面取得了突破性的進展，具體應(yīng)用如3D人臉識別解鎖手機、嫌犯追蹤、刷臉驗證和支付等。

隨著深度學(xué)習(xí)的飛速發(fā)展，基于卷積神經(jīng)網(wǎng)絡(luò)的人臉檢測方法以其強大的表征學(xué)習(xí)與非線性建模能力逐步取代了傳統(tǒng)的人工模板匹配方法，通過自主習(xí)得面部特征，顯著地提升了檢測精度。目前多種人臉檢測方法相繼被提出，在公認的人臉檢測基準上的精度均達到了領(lǐng)先水平，其模型大小基本都在百兆量級上，這些方法顯然是想通過構(gòu)建更加復(fù)雜的模型、引入更加全面的參數(shù)去提高準確率。

然而，當(dāng)人臉檢測被應(yīng)用于邊緣與終端設(shè)備上，如移動手機端或嵌入式結(jié)構(gòu)，甚至攝像頭內(nèi)部時，這些設(shè)備受限于計算能力和內(nèi)存大小，完全無法承載模型大小在百兆量級上的一些目前最先進的人臉檢測方法。這些方法在公認的人臉檢測基準上僅存在微小的性能數(shù)值差異，在實際應(yīng)用中也很難被察覺，故而提高人臉檢測在邊緣與終端設(shè)備上的實時性尤為關(guān)鍵，這樣才能在真正意義上實現(xiàn)工業(yè)級的落地標準。

實時性對網(wǎng)絡(luò)模型的推理速度提出要求，意味著其模型結(jié)構(gòu)、參數(shù)計算等方面務(wù)必精簡，這在一定意義上也限制了特征提取的充分性，對檢測精度的影響較大，因此在實際應(yīng)用場景下，具備實時性的輕量級人臉檢測方法仍然具有較大的準確率提升空間。而現(xiàn)有技術(shù)中尚無適用于邊緣與終端設(shè)備，且能夠在實時性和準確率中取得較好平衡的人臉檢測方法。

發(fā)明內(nèi)容

為解決上述問題，本發(fā)明提供了一種基于任務(wù)指導(dǎo)的輕量級人臉檢測方法，著重在以下兩方面進行改進和優(yōu)化：一方面，在實時性與精確度之間權(quán)衡，通過輕量級骨干網(wǎng)絡(luò)在有限尺度空間內(nèi)盡量保留原有特征，并引入關(guān)聯(lián)錨點，以半監(jiān)督方式生成人臉周邊的頭部、身體信息，輔助目標人臉的檢測；另一方面，利用特征整合模塊實現(xiàn)雙分支架構(gòu)，防止高層語義對低層細節(jié)的破壞并精簡計算，推理時應(yīng)用任務(wù)指導(dǎo)型策略，對分類和回歸分而治之，避免判別力不足的低層特征參與位置回歸，緩解了不同層特征圖之間的相互干擾，實現(xiàn)了算法模型的高效化。

為了達到上述目的，本發(fā)明提供如下技術(shù)方案：

基于任務(wù)指導(dǎo)的輕量級人臉檢測方法，包括如下步驟：

步驟1，對WIDERFACE(目前最為權(quán)威的人臉檢測基準)訓(xùn)練集進行數(shù)據(jù)增廣；

步驟2，基于步驟1所得到的增廣圖片，以輕量級骨干網(wǎng)絡(luò)提取基礎(chǔ)特征，利用特征整合模塊實現(xiàn)雙分支架構(gòu)，進而提取整合特征，并為用于預(yù)測的各分支、各層級特征圖引入關(guān)聯(lián)錨點，以半監(jiān)督方式生成人臉周邊的頭部、身體信息；

步驟3，在訓(xùn)練參數(shù)初始化后，應(yīng)用任務(wù)指導(dǎo)型策略，將分類和回歸分而治之，對構(gòu)建的選擇性分類組和選擇性回歸組的損失進行加權(quán)求和，用以指導(dǎo)和監(jiān)督模型的自主學(xué)習(xí)過程，待模型收斂后保存并進行檢測。