[发明专利]一种基于聚类分析与模型压缩的人脸检测方法

权利要求书

1.一种基于聚类分析与模型压缩的人脸检测方法，其特征在于：包括以下步骤：

步骤S1：获取公开的人脸检测数据集，对人脸数据集进行K-means聚类分析，生成适用于该数据的锚框，包括锚框的数量与大小；

步骤S2：使用步骤S1获取的数据集，以YOLOv3深度学习网络为基础，并将步骤S1生成的锚框应用于其中，进行人脸检测网络的训练；

步骤S3：对步骤S2中训练好的人脸检测网络进行层剪枝或通道剪枝或同时进行层剪枝与通道剪枝，对剪枝后的网络进行微调；

步骤S4：使用步骤S3中剪枝完成的网络，进行图片检测或者视频检测，得到最终的人脸检测结果。

2.根据权利要求1所述的一种基于聚类分析与模型压缩的人脸检测方法，其特征在于：所述步骤S1具体包括以下步骤：

步骤S11：采用公开的人脸检测数据集，将标签信息不完整或与标注信息不一致的无用数据采用遍历数据集的方式进行剔除，以此完成数据预处理，并将其中70％划分为训练集，30％划分为测试集；

步骤S12：将公开人脸检测数据集中的训练集的每张图像的每一个像素点归一化到0-1的值，最终将图像转化为每个矩阵点值在0-1范围内的归一化矩阵，根据每个图像的归一化矩阵，计算每个图像之间的欧几里得范数距离，最终根据距离确定此人脸数据集应用K-means方法得到的K值范围，K值取3到12；

步骤S13：根据K值在训练集样本中随机选取G张图片,G与K数值上相等，G张图片作为初始的聚类中心，接着计算每张图像与各个选取出来聚类中心之间的距离，把每张图片分配给离它距离最近的聚类中心,其中K-means聚类分析的目标函数如下：

上式中：L为目标函数，Object为样本目标，Center为类簇的中心；n_v为v个聚类中心的样本个数；Q为本目标的总个数；I_IoU(Object,Center)为聚类算法流程中的中心框与聚类框的交并比；a为样本中心序号，其序号从1开始到原先选取的K值；b为类簇的中心序号；

步骤S14：每次分配一个图片样本，聚类中心根据每个类簇中现有的对象进行重新计算；

步骤S15：重复步骤S14,当没有或最小数目对象被重新分配给不同的聚类，没有或最小数目的聚类中心不再发生变化，则此聚类误差平方和局部最小，得到最终的K值与G个锚框的大小，将生成的G个锚框应用于检测网络的训练中，用以提高检测准确率。

3.根据权利要求1所述的一种基于聚类分析与模型压缩的人脸检测方法，其特征在于：所述步骤S2具体包括以下步骤：

步骤S21：将步骤S1中生成的G个数量的锚框应有于深度学习网络中，调制网络参数，包括将Batch Size设置为32和卷积核大小设置为1*1，并开启多尺度训练，用以使训练结果更佳；

步骤S22：根据人脸检测数据集中训练集中人脸比例大小，调整锚框大小，用以使训练过程中生成的预测框能更好的适应数据集中的人脸目标；

步骤S23：基于YOLOv3深度学习网络训练人脸检测网络。

4.根据权利要求1所述的一种基于聚类分析与模型压缩的人脸检测方法，其特征在于：所述步骤S3具体包括以下步骤：

步骤S31：对S2步骤中训练好的人脸检测网络进行稀疏化训练，用以用最小的训练集样本数量表示所要的人脸目标，以此减小模型的大小，稀疏化训练的公式如下：

Y_i＝D*X_i

上式中，Y_i是一个N*1的矩阵，表示第i个测试样本，i＝1；N表示样本的维度；D是一个N*M的矩阵，是一个字典，功能是将二维图像展开成一个向量，M表示字典中的训练样本数量；X_i就是对于第i个测试样本的稀疏系数；

步骤S32:将步骤S31中稀疏化训练完成的人脸检测网络进行层剪枝或通道剪枝或同时进行通道剪枝和层剪枝，用以完成对深度学习模型深度和宽度的同时压缩；

步骤S33:因为剪枝会损坏模型精度，因此分别针对进行层剪枝或通道剪枝或同时进行通道剪枝和层剪枝中剪枝完的网络，根据前6个训练轮次的权重信息进行回调，用以实现模型的回调，使得精度回升，得到最终的压缩后的人脸检测网络。