[發明專利]一種基于聚類分析與模型壓縮的人臉檢測方法

在審

• 申請號: 202010992907.6
• 申請日: 2020-09-21
• 公開（公告）號: CN112132005A
• 公開（公告）日: 2020-12-25
• 發明（設計）人: 柯逍;黃旭;蔣培龍
• 申請（專利權）人: 福州大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 福州元創專利商標代理有限公司 35100
• 代理人: 錢莉;蔡學俊

1.一種基于聚類分析與模型壓縮的人臉檢測方法，其特征在于：包括以下步驟：

步驟S1：獲取公開的人臉檢測數據集，對人臉數據集進行K-means聚類分析，生成適用于該數據的錨框，包括錨框的數量與大?。?/p>

步驟S2：使用步驟S1獲取的數據集，以YOLOv3深度學習網絡為基礎，并將步驟S1生成的錨框應用于其中，進行人臉檢測網絡的訓練；

步驟S3：對步驟S2中訓練好的人臉檢測網絡進行層剪枝或通道剪枝或同時進行層剪枝與通道剪枝，對剪枝后的網絡進行微調；

步驟S4：使用步驟S3中剪枝完成的網絡，進行圖片檢測或者視頻檢測，得到最終的人臉檢測結果。

2.根據權利要求1所述的一種基于聚類分析與模型壓縮的人臉檢測方法，其特征在于：所述步驟S1具體包括以下步驟：

步驟S11：采用公開的人臉檢測數據集，將標簽信息不完整或與標注信息不一致的無用數據采用遍歷數據集的方式進行剔除，以此完成數據預處理，并將其中70％劃分為訓練集，30％劃分為測試集；

步驟S12：將公開人臉檢測數據集中的訓練集的每張圖像的每一個像素點歸一化到0-1的值，最終將圖像轉化為每個矩陣點值在0-1范圍內的歸一化矩陣，根據每個圖像的歸一化矩陣，計算每個圖像之間的歐幾里得范數距離，最終根據距離確定此人臉數據集應用K-means方法得到的K值范圍，K值取3到12；

步驟S13：根據K值在訓練集樣本中隨機選取G張圖片,G與K數值上相等，G張圖片作為初始的聚類中心，接著計算每張圖像與各個選取出來聚類中心之間的距離，把每張圖片分配給離它距離最近的聚類中心,其中K-means聚類分析的目標函數如下：

上式中：L為目標函數，Object為樣本目標，Center為類簇的中心；n_v為v個聚類中心的樣本個數；Q為本目標的總個數；I_IoU(Object,Center)為聚類算法流程中的中心框與聚類框的交并比；a為樣本中心序號，其序號從1開始到原先選取的K值；b為類簇的中心序號；

步驟S14：每次分配一個圖片樣本，聚類中心根據每個類簇中現有的對象進行重新計算；

步驟S15：重復步驟S14,當沒有或最小數目對象被重新分配給不同的聚類，沒有或最小數目的聚類中心不再發生變化，則此聚類誤差平方和局部最小，得到最終的K值與G個錨框的大小，將生成的G個錨框應用于檢測網絡的訓練中，用以提高檢測準確率。

3.根據權利要求1所述的一種基于聚類分析與模型壓縮的人臉檢測方法，其特征在于：所述步驟S2具體包括以下步驟：

步驟S21：將步驟S1中生成的G個數量的錨框應有于深度學習網絡中，調制網絡參數，包括將Batch Size設置為32和卷積核大小設置為1*1，并開啟多尺度訓練，用以使訓練結果更佳；

步驟S22：根據人臉檢測數據集中訓練集中人臉比例大小，調整錨框大小，用以使訓練過程中生成的預測框能更好的適應數據集中的人臉目標；

步驟S23：基于YOLOv3深度學習網絡訓練人臉檢測網絡。

4.根據權利要求1所述的一種基于聚類分析與模型壓縮的人臉檢測方法，其特征在于：所述步驟S3具體包括以下步驟：

步驟S31：對S2步驟中訓練好的人臉檢測網絡進行稀疏化訓練，用以用最小的訓練集樣本數量表示所要的人臉目標，以此減小模型的大小，稀疏化訓練的公式如下：

Y_i＝D*X_i

上式中，Y_i是一個N*1的矩陣，表示第i個測試樣本，i＝1；N表示樣本的維度；D是一個N*M的矩陣，是一個字典，功能是將二維圖像展開成一個向量，M表示字典中的訓練樣本數量；X_i就是對于第i個測試樣本的稀疏系數；

步驟S32:將步驟S31中稀疏化訓練完成的人臉檢測網絡進行層剪枝或通道剪枝或同時進行通道剪枝和層剪枝，用以完成對深度學習模型深度和寬度的同時壓縮；

步驟S33:因為剪枝會損壞模型精度，因此分別針對進行層剪枝或通道剪枝或同時進行通道剪枝和層剪枝中剪枝完的網絡，根據前6個訓練輪次的權重信息進行回調，用以實現模型的回調，使得精度回升，得到最終的壓縮后的人臉檢測網絡。