[發明專利]基于標注框虛擬擴增的微小人臉檢測方法、系統及設備

有效

• 申請號: 202110098072.4
• 申請日: 2021-01-25
• 公開（公告）號: CN112434674B
• 公開（公告）日: 2021-04-23
• 發明（設計）人: 何泳澔;蘇虎;向世明;潘春洪
• 申請（專利權）人: 中國科學院自動化研究所
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04;G06N3/08
• 代理公司: 北京市恒有知識產權代理事務所(普通合伙) 11576
• 代理人: 郭文浩;尹文會

本發明屬于視覺檢測和圖像處理領域，具體涉及了一種基于標注框虛擬擴增的微小人臉檢測方法、系統、裝置，旨在解決模型訓練中僅有少量的微小人臉特征圖區域被定義為正，從而導致模型對于微小人臉的檢測精度和準確性較低的問題。本發明包括：使用矩形框標注微小人臉；基于LFFD構建人臉檢測模型；以模型針對小尺度人臉檢測分支的特征圖下采樣倍數為依據，進行矩形框的虛擬擴增；分別基于矩形框和虛擬擴增框生成模型的分類和預測目標；通過反向傳播和隨機梯度下降法迭代進行模型訓練；通過訓練后的同時檢測通常大小人臉和微小人臉的模型進行在線人臉檢測。本發明將標注框虛擬擴增應用于微小人臉數據，提升微小人臉的檢出率，實現了微小人臉檢測。

技術領域

本發明屬于視覺檢測和圖像處理領域，具體涉及了一種基于標注框虛擬擴增的微小人臉檢測方法、系統及設備。

背景技術

在安防監控領域，人臉檢測算法作為人臉識別中的一個極其重要的技術，已經被廣泛應用。現階段，人臉檢測算法面臨開放監控環境帶來的各種挑戰，比如逆光、光線不足、部分遮擋、姿態異常等等。此外，人臉檢測算法通常被設計為檢測較大的人臉（通常大于40個像素），即距離攝像頭較近的情況。如果在不升級攝像頭的前提下，要檢測遠距離的人臉，就需要引入微小人臉的檢測技術。微小人臉檢測不僅要求能夠檢測到通常大小的人臉，而且需要檢測像素小于等于16的人臉。除了要克服上述的一些挑戰，微小人臉檢測還面臨低像素帶來的信息干擾和噪聲，因此，其難度更大。微小人臉檢測的技術能夠變相增大攝像頭的工作距離，拓寬人臉相關技術在安防監控領域的應用范圍。

目前，主流的人臉檢測算法均采用了深度學習的方法。具體來說，可以分為兩類：單階段有錨框的方法和單階段無錨框的方法。兩類方法均采用了相似的主干神經網絡，且檢測小尺度人臉時都使用了分辨率較大的特征圖作為主要的信息來源。由于微小人臉的面積小，在兩類方法的訓練過程中，僅有少量的特征圖區域被定義為正，這導致訓練得到的模型對微小人臉的檢測性能非常有限。

發明內容

為了解決現有技術中的上述問題，即模型訓練中僅有少量的微小人臉特征圖區域被定義為正，從而導致模型對于微小人臉的檢測精度和準確性較低的問題，本發明提供了一種基于標注框虛擬擴增的微小人臉檢測方法，該檢測方法包括以下步驟：

步驟S10，獲取包含微小人臉的圖像集，并使用矩形標注框標注所述圖像集中的每個微小人臉；所述微小人臉為像素值小于或等于設定像素閾值的人臉；

步驟S20，以LFFD作為基準構建人臉檢測模型，并獲取所述人臉檢測模型針對小尺度人臉的檢測分支對應的特征圖下采樣倍數；

步驟S30，基于所述特征圖下采樣倍數，以微小人臉的矩形標注框的中心進行矩形標注框的設定系數的虛擬擴增，獲得帶有虛擬標注框的圖像集；

步驟S40，分別使用基于帶有矩形標注框和其對應的帶有虛擬標注框的圖像集生成人臉檢測模型的分類和預測目標，獲得初始人臉檢測模型；

步驟S50，采用Back-Propagation和隨機梯度下降法迭代訓練所述初始人臉檢測模型，得到同時檢測通常大小人臉和微小人臉的模型；所述通常大小人臉為像素值大于設定閾值的人臉；

步驟S60，通過所述同時檢測通常大小人臉和微小人臉的模型，進行在線人臉檢測。

在一些優選的實施例中，所述人臉檢測模型包括25個卷積層和8個檢測分支；

其中，針對小尺度人臉的檢測分支為位于卷積層8和卷積層10的b₁檢測分支與b₂檢測分支。

在一些優選的實施例中，步驟S30包括：

步驟S31，記圖像集為，其中，為微小人臉的個數，則矩形標注框為：

其中，和分別為矩形標注框左上角頂點的坐標和坐標，和分別為矩形標注框的寬度和高度；