[发明专利]一种基于小型辅助网络的人脸检测算法

说明书

本发明公开了一种基于小型辅助网络的人脸检测算法，在已有的人脸检测网络基础上，针对特征提取网络，增加根据其网络结构设计出的小型辅助网络，在使用人脸检测数据集训练网络时，使得该辅助网络可以根据检测任务的特点进行从零训练，并使用该辅助网络对应层的特征对主网络特征图进行补充。

技术领域

本发明属于计算机视觉技术领域，尤其涉及一种基于小型辅助网络进行人脸检测的算法。

背景技术

人脸检测是大部分人脸相关任务，如人脸识别、跟踪、关键点检测等，不可缺少的步骤，在日常生活以及安保领域都有着广泛的应用。

从概念上来讲，人脸检测是目标检测的一种特殊情形，即只针对人脸进行检测，是一个二分类问题，包括分类和定位两个子任务。基于这一点，目标检测的基本框架也可以用于人脸检测。通常检测框架主要包括两个部分，特征提取模块和检测模块。特征提取模块首先对输入图像进行卷积池化等操作，提取对检测有用的特征。检测模块针对两个子任务，进行分类和位置回归。

检测任务有着多尺度的特点，即在一张图片中，物体尺度可能变化较大，所以检测中通常采用多层特征图，浅层特征特征图检测小尺度目标，深层特征图由于感受野较大，用来检测较大尺度目标。但是考虑到网络的特点，即深层特征包含对分类有益的高级语义信息，浅层特征中语义信息少，所以通常在检测模块中加入Feature Pyramid Network(FPN)如图一，进行多尺度特征融合，将深层特征中的高级语义信息传递给浅层特征。

除了检测模块，特征提取模块也发挥着至关重要的作用。它提取出的特征直接决定着检测的效果。而现有人脸检测的特征提取网络采用的是在分类任务上预训练出的模型，它的好处是，相比于人脸检测数据集，分类数据集规模大，可以训练更深的网络，且防止过拟合。但是同时也存在一个不可忽视的缺点，检测任务和分类任务不同，分类任务的关键是最后生成的特征图包含对分类有益的高级语义信息，而检测任务，正如上文中提到的，需要多层不同尺度的特征。所以，不同于分类任务，检测中浅层特征图和深层特征图都发挥着重要的作用。由于任务间的差别，直接微调分类任务预训练出的模型来提取特征，会使得浅层特征中信息不足，除此之外，由于小尺度人脸存在分辨率小、模糊等问题，在经过一系列下采样操作后，可用信息会有较大损失，所以网络不利于小物体的检测。

当前的人脸检测算法在特征提取方面存在一定的问题，即浅层特征图中可用信息较少，不利于小尺度人脸检测。

发明内容

为了解决上述已有技术存在的不足，本发明提出一种基于小型辅助网络进行特征提取的人脸检测算法，在已有的人脸检测网络基础上，针对特征提取网络，增加根据其网络结构设计出的小型辅助网络，在使用人脸检测数据集训练网络时，使得该辅助网络可以根据检测任务的特点进行从零训练，并使用该辅助网络对应层的特征对主网络特征图进行补充。本发明的具体技术方案如下：

一种基于小型辅助网络的人脸检测算法，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；

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。

进一步地，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。