[发明专利]一种基于卷积神经网络的人脸检测方法及系统

说明书

技术领域

本发明涉及计算机视觉技术、机器学习与模式识别技术、深度学习、人工神经网络，具体地说，涉及一种基于卷积神经网络的人脸检测方法及系统。

背景技术

人脸检测属于计算机视觉的范畴，早期人们的主要研究方向是人脸识别，即根据人脸来识别人物的身份，后来在复杂背景下的人脸检测需求越来越大，人脸检测也逐渐作为一个单独的研究方向发展起来。

目前的人脸检测方法普遍基于知识和基于统计。基于知识的方法主要利用先验知识将人脸看作器官特征的组合，根据眼睛、眉毛、嘴巴、鼻子等器官的特征以及相互之间的几何位置关系来检测人脸。基于统计的方法则将人脸看作一个整体的模式——二维像素矩阵，从统计的观点通过大量人脸图像样本构造人脸模式空间，根据相似度量来判断人脸是否存在。随着深度学的兴起，人脸检测领域也开始采用卷积神经网络。

现存方法的人脸检测算法大都存在以下问题：

(1)采用滑窗的思路，对每个窗口进行分类，计算量大；

(2)每个步骤相对独立，使用起来步骤繁琐。

发明内容

针对现有技术中上述的不足，发明提供一种基于卷积神经网络的人脸检测方法及系统，采用全卷积网络实现端到端的训练和检测。

为了达到上述目的，发明采用的解决方案是：一种基于卷积神经网络的人脸检测方法及系统,包括以下模块：

数据预处理模块，用于处理训练数据；

人脸检测模型设计模块，用于设计人脸检测的模型结构；

人脸检测模型训练模块，用于训练人脸检测的离线模型；

人脸实时检测模块，用于输出人脸的位置。

进一步地，数据预处理模块包括以下步骤，

S1：输入待检测图像，将待检测图像划分为S*S的子区域；

S2：根据真实人脸的位置信息，计算真实人脸框的中心位置A(x，y)；

S3；根据真实人脸框的中心位置A，求出中心位置所在的子区域的位置；

S4：将真实人脸框的中心位置A(x，y)分别除以待检测图像的宽和高；

S5：将真实人脸框的宽和高(w，h)分别除以待检测图像的宽和高；

S6：对所有待检测图像做镜像，采用S1-S5的步骤处理镜像后的样本。

进一步地，人脸检测模型训练模块中，使用dropout技术。

进一步地，人脸检测模型训练模块中，在第一层全连接层后增加dropout layer，并指定随机置零的概率为0.5。

进一步地，人脸检测模型训练模块中，采用如下目标函数进行优化，

其中，α为常数，是位置预测的惩罚因子；B表示每个子区域预测的人脸框的个数；S表示划分子区域的横向和纵向的个数；表示子区域i中第j个负责预测人脸位置的预测器；x_i、y_i、w_i、h_i为人脸框的真实位置信息；x′_i、y′_i、w′_i、h′_i为预测的人脸位置信息；C_i为预测器所在位置的真实人脸置信度；C′_i为预测器所在位置预测的置信度；β为置信度预测的惩罚因子；表示子区域i中第j个负责预测人脸位置的预测器。

进一步地，人脸检测模型训练模块中，用一个人脸框预测器来负责预测人脸位置；预测器预测的人脸位置与真实IoU最大，即该预测器负责预测该人脸。

进一步地，人脸检测模型中，最后一层使用线性激活函数，其余层采用非线性函数Leaky-ReLU。

进一步地，人脸实时检测模块中，每张图像回输出S²个框以及每个框对应的人脸置信度，去掉一部分置信度低的人脸框，再采用非极大抑制算法去除一些重复预测的人脸框，得到最终的人脸框位置信息。

发明的有益效果是，

1、不包含物体的子区域的梯度更新，将会以压倒性的优势，覆盖掉包含物体的子区域进行的梯度更新；此问题会使得模型不稳定，甚至造成网络的发散；因此在目标函数中对人脸定位误差和人脸确认误差不同的惩罚因子，从而解决了这问题；

2、本人脸检测方法得到最终的人脸框位置信息为人脸框的宽和高的平方根，而并非直接输出人脸框的宽和高，从而解决了以下问题：相比较于大的人脸框与真实位置的偏离，小的人脸框的偏离一点，结果差别就很大，而大的人脸框偏离大一点，对结果的影响较小；