[发明专利]一种基于改进的MTCNN模型人脸检测方法和系统

权利要求书

1.一种基于改进的MTCNN模型人脸检测方法，其特征在于，包括以下步骤：

获取待检测人脸图像；将人脸图像缩放到不同尺寸，形成一个图像金字塔；利用训练后的MTCNN模型对所述人脸图片进行检测人脸位置和人脸关键点位置；得到并输出检测结果；其中，

所述MTCNN模型三层网络结构中，P-Net、R-Net和O-Net网络层的输出层均为卷积层。

2.如权利要求1所述的基于改进的MTCNN模型人脸检测方法，其特征在于，所述P-Net、R-Net和O-Net网络层的输出层均输出三个部分：face classification：对应图像区域为人脸的概率；bounding box：输出人脸位置信息，和facial landmark localization：输入人脸关键点位置。

3.如权利要求1所述的基于改进的MTCNN模型人脸检测方法，其特征在于，P-Net、R-Net和O-Net网络层的所有卷积层的卷积运算包括两步：逐深度卷积运算和逐点卷积运算。

4.如权利要求3所述的基于改进的MTCNN模型人脸检测方法，其特征在于，逐深度卷积运算和逐点卷积运算具体包括：

将输入特征图中的每一个通道用一个1×D_K×D_K的卷积核进行卷积计算，总共有M个通道，可以得到D_K×D_K×M×1个特征图；再对逐深度卷积网络输出的M个特征图，使用N个D_F×D_F×1的卷积核进行逐点卷积操作，得到输出为D_F×D_F×N的特征图。

5.如权利要求1所述的基于改进的MTCNN模型人脸检测方法，其特征在于，还包括优化P-Net、R-Net和O-Net网络层中除输出层以外所有卷积层的卷积核个数，具体包括以下步骤：

B1、确定为当前网络层的倒数第二层；

B2、将当前层的特征图依次置为0，根据模型在训练数据上的准确度下降程度，确定对检测准确度影响最小的特征图，并删除对应特征图对应的卷积核，并调整该层后续所有层的卷积核的大小；

B3、对修改后的网络进行重新训练，直到收敛为止；

B4、判断是否满足预设的停止修剪条件，如果满足，则转至步骤B6；若不满足，转步骤B5；

B5、判断当前层是否为第一层，如果是，则将修剪层设为倒数第二层，并转至B2，如果否，则将修剪层-1，并转至步骤B2；

B6、修剪过程结束。

6.如权利要求5所述的基于改进的MTCNN模型人脸检测方法，其特征在于，所述停止修剪条件为：

网络检测准确度下降超过预设阈值；和/或

网络中参数压缩率达到预设的压缩率。

7.如权利要求1所述的基于改进的MTCNN模型人脸检测方法，其特征在于，所述步骤B3包括：

使用交叉熵损失函数确定人脸分类输出损失；使用欧几里德损失函数确定人脸框位置回归输出损失和人脸关键点位置回归输出损失，再将人脸分类输出损失、人脸框位置回归输出损失和人脸关键点位置回归输出损失进行加权求和，确定对应网络层的总损失。

8.一种基于改进的MTCNN模型人脸检测系统，其特征在于，包括

人脸图像获取单元：获取用于检测的人脸图像；

人脸图像预处理单元：用于将人脸图像获取单元获取的人脸图像缩放到不同尺寸，形成一个图像金字塔；

人脸检测单元：包括利用训练后的MTCNN模型，将人脸图像预处理单元处理后的人脸图像进行人脸框位置回归和人脸关键点位置回归的人脸检测模块，和将检测结果输出的输出模块；其中，

MTCNN模型三层网络结构中，P-Net、R-Net和O-Net网络层的输出层均为卷积层。