[发明专利]一种高精度的人脸快速检测方法

说明书

本发明公开了一种高精度的人脸快速检测方法，涉及人脸识别技术领域，该方法通过设计快速消化卷积层和多尺度卷积层等轻量级的网络结构，结合新的锚点密集化策略，在保证检测速度的同时，提高面部识别准确度；同时通过调制因子结合标准的交叉熵损失重塑得到动态缩放交叉熵，从而构建得到全新的损失函数，处理极端前景背景类别失衡的问题，在保证检测速度的同时，进一步提高面部识别准确度，最终不仅可以实现在单个CPU上以65FPS的速度运行，而且显著提高了小脸部的召回率，充分满足了工程的需要。

技术领域

本发明涉及人脸识别技术领域，尤其是一种高精度的人脸快速检测方法。

背景技术

随着人脸检测领域的不断发展，现代人脸检测方法大致可分为两类：一种是基于手工检测，另一种是基于CNN(Convolutional Neural Network，卷积神经网络)检测。

近年来，基于CNN的人脸探测器得到快速发展：Farfade在CNN功能之上使用增强功能进行人脸检测；Faceness训练了一系列CNN用于面部属性识别且能在部分遮挡的情况下实现检测；CascadeCNN开发了一种基于CNN的级联架构，具有强大的判别能力和高性能；UnitBox引入了一种新的交叉联合损失函数；CMS-RCNN在面部检测中使用faster RCNN和上下文信息；Convnet将CNN与3D人脸模型成功集成在了一个端到端的多任务学习框架中。尽管人脸检测已经取得巨大进步，但在实际工程中仍存在巨大挑战，例如在CPU上实现实时速度并且保持高性能是较为困难的。

发明内容

本发明人针对上述问题及技术需求，提出了一种高精度的人脸快速检测方法，本方法不仅可以加快检测速度，还可以提高小脸部的召回率，充分满了工程的需要。

本发明的技术方案如下：

一种高精度的人脸快速检测方法，该方法包括：

获取人脸图像训练样本；

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

将人脸图像训练样本输入卷积神经网络，通过卷积神经网络提取得到人脸图像训练样本的人脸特征映射图；

将人脸特征映射图输入分类器得到人脸图像训练样本的人脸检测结果，人脸检测结果包括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，预测概率是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，动态缩放交叉熵包括基于预测概率的调制因子；

根据人脸检测结果计算损失函数的值，并根据损失函数的值训练人脸检测网络，并利用训练得到的人脸检测网络进行人脸检测。

其进一步的技术方案为，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。

其进一步的技术方案为，快速消化卷积层包括第一卷积层和池化层，第一卷积层和池化层的步幅均为4，第一卷积层的内核尺寸为7*7，池化层的内核尺寸为5*5。

其进一步的技术方案为，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。