[發明專利]無約束場景下的基于特征強化的漸進式級聯人臉檢測方法

在審

• 申請號: 202010319149.1
• 申請日: 2020-04-21
• 公開（公告）號: CN111553230A
• 公開（公告）日: 2020-08-18
• 發明（設計）人: 徐琴珍;楊哲;劉楊;王路;王馭揚;楊綠溪
• 申請（專利權）人: 東南大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 南京眾聯專利代理有限公司 32206
• 代理人: 葉涓涓

本發明提供了一種在無約束場景下的基于特征強化的漸進式級聯人臉檢測方案，屬于多媒體信號處理領域。本發明將訓練集進行數據增廣，以VGGNet?16作為基礎特征提取網絡，利用特征強化模塊實現雙分支架構，在預測之前，對各分支應用Max?Both?Out策略；訓練時搭建迭代式級聯結構，設計漸進式損失，即由第一分支多任務損失和第二分支多任務損失加權求和，用以指導訓練與學習過程直至收斂，最終實現對目標人臉的檢測。本發明不僅關注上下文信息還著重挖掘當前層特征，豐富了面部特征的提取模式，適用于檢測難度較高的無約束場景，尤其對微小的、模糊的、遮擋的人臉也可實現精準檢測。

技術領域

本發明屬于圖像處理技術領域，涉及一種無約束場景下的基于特征強化的漸進式級聯人臉檢測方法。

背景技術

智能化終端設備的普及深刻地影響著人類的思維方式，對其社交本質有了全新的定義。人臉檢測是計算機視覺領域中最貼合日常生活的應用，它將人類從繁重的視覺處理工作中解脫出來，轉而用機器去分析和匯總圖像、視頻中的指定信息，對時代社會的發展產生了深遠的影響。在智能手機上，iPhone X、華為Mate20pro分別在IOS平臺、安卓平臺實現3D人臉識別解鎖，更好地保護了隱私；在安防監控中，可以通過人臉識別技術去追蹤和捕獲不法分子，加強了治安維護力度；在財產安全方面，支付寶率先推出刷臉支付、信用貸款進行身份認證，提高效率的同時也保證了安全性。

早期主流的人臉檢測方法，大都基于人工設計的模板匹配技術，對無遮擋的正面清晰人臉的檢測效果較好，盡管易于實現，且幾乎不受光照、圖片成像質量影響，但由于人臉的高可塑性，無法制定出完全有效的人臉模板以適應姿勢、尺度等的變化，導致精度受限。僅僅通過機械地比對手工特征與目標人臉之間的自相關性來判定圖像中是否存在人臉的傳統人臉檢測方法并不適用于無約束場景。

隨著深度學習的飛速發展，基于卷積神經網絡的人臉檢測方法以其強大的表征學習與非線性建模能力逐步取代了傳統人臉檢測方法，顯著提升了檢測性能，尤其對于毫無遮擋的清晰人臉幾乎都可以達到百分之百的準確率。但是，在自然場景下的無約束人臉極易受到遮擋、光照、表情、姿態等外部環境因素的干擾，造成面部特征提取、利用不充分；此外，尺寸較小的低分辨率人臉更是瓶頸所在，以小尺寸錨點對小人臉進行密集采樣，極易產生過多的背景負樣本，造成誤檢率上升?，F有無約束場景下的人臉檢測方法其準確率尚顯不足，未能取得令人滿意的效果。

發明內容

為解決上述問題，本發明提供了一種無約束場景下的基于特征強化的漸進式級聯人臉檢測方法，著重在以下兩方面進行改進和優化：一方面，充分挖掘當前層特征，利用特征強化模塊將單分支架構拓展為雙分支架構，并相應地設計出漸進式損失以匹配各分支、層級特征圖的將近學習能力，豐富了面部特征的提取模式；另一方面，應用Max-Both-Out策略，并搭建迭代式級聯結構，通過交并比閾值逐步遞增的子檢測器為各階段匹配更加合適的樣本分布。

為了達到上述目的，本發明提供如下技術方案：

無約束場景下的基于特征強化的漸進式級聯人臉檢測方法，包括如下步驟：

步驟1，對WIDERFACE(目前最為權威的人臉檢測基準)訓練集進行數據增廣；

步驟2，基于步驟1的增廣圖片，以VGGNet-16(經典的深度卷積神經網絡)作為基礎特征提取網絡，利用特征強化模塊實現雙分支架構，并對用于預測的各分支、各層級特征圖應用Max-Both-Out策略；

步驟3，在訓練參數初始化后，搭建迭代式級聯結構，利用漸進式損失指導和監督模型的自主學習過程，待模型收斂后保存，并進行檢測。

進一步的，所述步驟1具體包括如下子步驟：