[发明专利]基于特征金字塔与密集块的人脸检测方法、系统、设备及介质

说明书

本发明公开了一种基于特征金字塔与密集块的人脸检测方法、系统、设备及介质，所述方法包括：根据密集块、池化层以及基于特征金字塔的特征融合模块，构建人脸检测网络；获取人脸图像训练集；利用人脸图像训练集对人脸检测网络进行训练；利用训练后的人脸检测网络对待检测图像进行人脸检测，得到人脸检测结果。本发明利用低参数量、高频率特征复用的密集块，同时结合了特征金字塔自顶向下的特征融合方法，可以快速、高效地检测图像中不同尺度的人脸。

技术领域

本发明涉及一种基于特征金字塔与密集块的人脸检测方法、系统、设备及介质，属于深度学习和图像处理领域。

背景技术

人脸检测技术是指对于任意一幅给定的图像，采用一定的策略对其进行搜索以确定其中是否含有人脸，如果是则返回人脸的位置、大小和姿态，该技术是自动人脸识别系统中的一个关键环节。

早期的人脸检测算法大多是基于手工特征(例如图像纹理)，在这方面有Viola-Jones检测器中提出的结合了级联特征和Adaboost学习的人脸检测算法。随后的许多学者相继提出了有一些可以实时运行的人脸检测算法，例如新的局部特征、新的加速算法和新的级联架构等。除了基于级联框架的方法，有学者提出将可形变部件模型(DeformablePart Model,DPM)加入到人脸检测算法中去，实现了较好的检测效果。

近几年，随着深度学习技术的不断进步，人脸检测技术也得到了进一步的发展，如今越来越多的人脸检测算法中加入了深度学习技术。Farfade等人微调在1000类的ImageNet上训练的卷积神经网络，将它用于人脸和非人脸的分类任务中。Faceness训练一系列小型网络，并将它们串联起来，用于检测部分遮挡人脸。CascadeCNN将级联架构建立在卷积神经网络基础之上，取得了非常好的效果。UnitBox引入一种新的交并比损失函数，实现了不错的区分人脸和非人脸的效果。

但现有大部分人脸检测算法存在以下问题：

1)检测时间过长。现有大部分人脸检测算法均结合了图像金字塔技术进行运算，目的是可以检测到图像中不同尺度的人脸。图像金字塔技术是将一张图像缩放成多张不同尺寸的图像，用于检测图像中不同尺寸物体(这个物体指人脸)。如果只使用单一尺度的图像进行人脸检测，会使许多较小的人脸无法被检测到。因此，人脸检测算法结合图像金字塔技术，运算时会相当耗时，一张图像为检测不同尺度的人脸可能需要重复十几次。

2)网络参数众多，模型体积大。当前众多人脸检测网络设计地都非常深(网络层数很多)，优点是可以提取更多特征，更好地区分人脸和非人脸，但随之带来的问题是参数量较多并且计算时间比较长。

发明内容

有鉴于此，本发明提供了一种基于特征金字塔与密集块的人脸检测方法、系统、设备及介质，其利用低参数量、高频率特征复用的密集块，同时结合了特征金字塔自顶向下的特征融合方法，可以快速、高效地检测图像中不同尺度的人脸。

本发明的第一个目的在于提供一种基于特征金字塔与密集块的人脸检测方法。

本发明的第二个目的在于提供一种基于特征金字塔与密集块的人脸检测系统。

本发明的第三个目的在于提供一种计算机设备。

本发明的第四个目的在于提供一种存储介质。

本发明的第一个目的可以通过采取如下技术方案达到：

一种基于特征金字塔与密集块的人脸检测方法，所述方法包括：

根据密集块、池化层以及基于特征金字塔的特征融合模块，构建人脸检测网络；

获取人脸图像训练集；

利用人脸图像训练集对人脸检测网络进行训练；

利用训练后的人脸检测网络对待检测图像进行人脸检测，得到人脸检测结果。