[发明专利]一种高精度的人脸快速检测方法

权利要求书

1.一种高精度的人脸快速检测方法，其特征在于，所述方法包括：

获取人脸图像训练样本；

构建人脸检测网络，所述人脸检测网络包括卷积神经网络和分类器，所述卷积神经网络包括快速消化卷积层以及多尺度卷积层，所述快速消化卷积层包括M个网络层，所述快速消化卷积层中的每个网络层的步幅均大于等于2；所述多尺度卷积层包括N个网络层，M和N均为整数；

将所述人脸图像训练样本输入所述卷积神经网络，通过所述卷积神经网络提取得到所述人脸图像训练样本的人脸特征映射图；

将所述人脸特征映射图输入所述分类器得到所述人脸图像训练样本的人脸检测结果，所述人脸检测结果包括所述人脸图像训练样本中的各个人脸候选框及对应的预测概率，所述预测概率是所述人脸候选框中的图像为人脸图像的概率；

根据预测概率和动态缩放交叉熵构建损失函数，所述动态缩放交叉熵包括基于所述预测概率的调制因子；

根据所述人脸检测结果计算损失函数的值，并根据所述损失函数的值训练所述人脸检测网络，并利用训练得到的所述人脸检测网络进行人脸检测。

2.根据权利要求1所述的方法，其特征在于，

所述动态缩放交叉熵的计算方式为：FL(p_t)＝-α_t(1-p_t)^γlog(p_t)，其中，p_t是所述预测概率，(1-p_t)^γ是调制因子，γ为聚焦参数，α_t是权重参数。

3.根据权利要求1所述的方法，其特征在于，

所述快速消化卷积层包括第一卷积层和池化层，所述第一卷积层和所述池化层的步幅均为4，所述第一卷积层的内核尺寸为7*7，所述池化层的内核尺寸为5*5。

4.根据权利要求1所述的方法，其特征在于，所述快速消化卷积层还用于对输入的特征进行取反以提取输入的正负相位信息，实现相位先验。

5.根据权利要求1所述的方法，其特征在于，所述多尺度卷积层中包括N个尺度不同的网络层，所述N个网络层中包括K个目标网络层，1≤K＜N，所述K个目标网络层具有不同的分辨率，所述通过所述卷积神经网络提取得到所述人脸图像训练样本的人脸特征映射图，包括：

通过所述快速消化卷积层缩小所述人脸图像训练样本的图像尺寸；

通过所述多尺度卷积层对尺寸处理后的所述人脸图像训练样本进行特征提取得到N层尺度不同的特征映射图，根据所述K个目标网络层对应的K层特征映射图得到所述人脸特征映射图。

6.根据权利要求5所述的方法，其特征在于，所述多尺度卷积层中包括7个网络层，所述7个网络层依次为第一Resnet模块、第二Resnet模块、第三Resnet模块、第二卷积层、第三卷积层、第四卷积层和第五卷积层，每个Resnet模块包括至少两个不同内核尺寸的卷积分支；所述7个网络层中包括3个目标网络层，所述3个目标网络层分别为所述第三Resnet模块、第三卷积层和第五卷积层为目标网络层，每个所述目标网络层上分别设置锚点。

7.根据权利要求6所述的方法，其特征在于，每个所述目标网络层的滤波器的中心点周围均匀平铺设置n²个锚点，所述锚点的尺寸越小，对应的n的值越大，n为正整数。

8.根据权利要求7所述的方法，其特征在于，所述锚点的纵横比为1:1，所述第三Resnet模块包括三个卷积分支，设置在所述第三Resnet模块的三个卷积分支上的锚点的尺寸分别为8、16和32像素，设置在所述第三卷积层上的锚点的尺寸为64像素，设置在所述第五卷积层上的锚点的尺寸为256像素。