[发明专利]一种基于小型辅助网络的人脸检测算法

权利要求书

1.一种基于小型辅助网络的人脸检测方法，其特征在于，包括以下步骤：

S1：在特征提取网络中，同时使用主网络即Mnet和辅助网络即Anet，其中，Anet是根据Mnet设计出的小型特征辅助网络，用于对Mnet产生的浅层特征进行信息补充；Mnet和Anet融合之后得到多层特征；

所述步骤S1中的所述辅助网络与所述主网络的步长相同，所述辅助网络只对所述主网络的前三层特征进行补充，所述辅助网络与所述主网络的结构相似，学习能力相匹配；

S2：将步骤S1中Mnet和Anet融合之后得到多层特征通过特征金字塔网络FPN进行有机融合，增加浅层特征中的高级语义信息，扩大浅层特征感受野；

S3：步骤S2输出的多层特征分别进行分类和定位；

其中，所述主网络为MobileNet V2，最后一层为在MobileNet V2的基础上增加的3x3卷积额外层，步长为2，用来生成10x10大小的特征图；MobileNet V2为InvertedResidual模块堆叠，主网络使用大小分别为160x160，80x80，40x40，20x20，10x10的特征图c2,c3,c4,c5,c6，对应步长分别为4，8，16，32，64；

在辅助网络中，使用InvertedResidual模块堆叠，采用和MobileNetV2中相同大小且步长为2的卷积操作，随后使用步长为2的深度可分离卷积进行下采样，生成与特征图c2,c3,c4大小对应相等的特征图c2′,c3′,c4′；

对应特征图相加即c2+c2′,c3+c3′，c4+c4′，实现对特征图c2,c3,c4的信息补充，增加其所含的有效信息量。

2.一种基于小型辅助网络的人脸检测方法，其特征在于，包括以下步骤：

S1：在特征提取网络中，同时使用主网络即Mnet和辅助网络即Anet，其中，Anet是根据Mnet设计出的小型特征辅助网络，用于对Mnet产生的浅层特征进行信息补充；Mnet和Anet融合之后得到多层特征；

所述步骤S1中的所述辅助网络与所述主网络的步长相同，所述辅助网络只对所述主网络的前三层特征进行补充，所述辅助网络与所述主网络的结构相似，学习能力相匹配；

S2：将步骤S1中Mnet和Anet融合之后得到多层特征通过特征金字塔网络FPN进行有机融合，增加浅层特征中的高级语义信息，扩大浅层特征感受野；

S3：步骤S2输出的多层特征分别进行分类和定位；

其中，所述步骤S1中的主网络为Resnet50，网络结构中使用的是BottleNeck，使用特征s2,s3,s4,s5,s6用于后续的特征融合；

辅助网络中使用3x3卷积提取特征，用Anet-Resnet50-conv表示使用3x3卷积的辅助网络，在Anet-Resnet50-conv中首先使用大小为7x7，步长为2的卷积以及步长为2的最大池化对输入图片进行下采样处理，再使用两个大小为3x3，步长为1的卷积，生成和特征s2大小相同的特征s2′，之后采用两个大小为3x3，步长为2的卷积处理特征s2′，生成分别和特征s3,s4大小相等的特征s3′,s4′，s2′,s3′和s4′通道数分别为256，512和1024，s2′,s3′,s4′对s2,s3,s4进行信息补充。

3.根据权利要求2所述的一种基于小型辅助网络的人脸检测方法，其特征在于，所述步骤S1中的辅助网络为对Anet-Resnet50-conv的结构进行改进后得到的辅助网络结构Anet-Resnet50-conv_little，使用3x3卷积提取特征，与FPN特征融合结构结合，减少辅助网络通道数，通过FPN特征融合结构首先对输入的特征进行1x1卷积改变其通道数，Anet-Resnet50-conv_little生成的s2″,s3″,s4″直接对经过FPN中1x1卷积后的特征b2,b3,b4分别补充信息，s2″,s3″,s4″,b2,b3,b4通道数均为256。

4.根据权利要求2所述的一种基于小型辅助网络的人脸检测方法，其特征在于，所述步骤S1中的辅助网络为对Anet-Resnet50-conv的结构进行改进后得到的辅助网络结构Anet-Resnet50-bottleneck，辅助网络中使用BottleNeck代替3x3卷积。

5.根据权利要求2所述的一种基于小型辅助网络的人脸检测方法，其特征在于，所述步骤S1中的辅助网络为对Anet-Resnet50-bottleneck的结构进行改进后得到的辅助网络结构Anet-Resnet50-bottleneck_little，将Anet-Resnet50-bottleneck与FPN进行结合，通过采用辅助网络生成的s2″″,s3″″,s4″″直接对经过FPN中1x1卷积后的特征b2′,b3′,b4′分别补充信息。