[发明专利]基于标注框虚拟扩增的微小人脸检测方法、系统及设备

说明书

本发明属于视觉检测和图像处理领域，具体涉及了一种基于标注框虚拟扩增的微小人脸检测方法、系统、装置，旨在解决模型训练中仅有少量的微小人脸特征图区域被定义为正，从而导致模型对于微小人脸的检测精度和准确性较低的问题。本发明包括：使用矩形框标注微小人脸；基于LFFD构建人脸检测模型；以模型针对小尺度人脸检测分支的特征图下采样倍数为依据，进行矩形框的虚拟扩增；分别基于矩形框和虚拟扩增框生成模型的分类和预测目标；通过反向传播和随机梯度下降法迭代进行模型训练；通过训练后的同时检测通常大小人脸和微小人脸的模型进行在线人脸检测。本发明将标注框虚拟扩增应用于微小人脸数据，提升微小人脸的检出率，实现了微小人脸检测。

技术领域

本发明属于视觉检测和图像处理领域，具体涉及了一种基于标注框虚拟扩增的微小人脸检测方法、系统及设备。

背景技术

在安防监控领域，人脸检测算法作为人脸识别中的一个极其重要的技术，已经被广泛应用。现阶段，人脸检测算法面临开放监控环境带来的各种挑战，比如逆光、光线不足、部分遮挡、姿态异常等等。此外，人脸检测算法通常被设计为检测较大的人脸（通常大于40个像素），即距离摄像头较近的情况。如果在不升级摄像头的前提下，要检测远距离的人脸，就需要引入微小人脸的检测技术。微小人脸检测不仅要求能够检测到通常大小的人脸，而且需要检测像素小于等于16的人脸。除了要克服上述的一些挑战，微小人脸检测还面临低像素带来的信息干扰和噪声，因此，其难度更大。微小人脸检测的技术能够变相增大摄像头的工作距离，拓宽人脸相关技术在安防监控领域的应用范围。

目前，主流的人脸检测算法均采用了深度学习的方法。具体来说，可以分为两类：单阶段有锚框的方法和单阶段无锚框的方法。两类方法均采用了相似的主干神经网络，且检测小尺度人脸时都使用了分辨率较大的特征图作为主要的信息来源。由于微小人脸的面积小，在两类方法的训练过程中，仅有少量的特征图区域被定义为正，这导致训练得到的模型对微小人脸的检测性能非常有限。

发明内容

为了解决现有技术中的上述问题，即模型训练中仅有少量的微小人脸特征图区域被定义为正，从而导致模型对于微小人脸的检测精度和准确性较低的问题，本发明提供了一种基于标注框虚拟扩增的微小人脸检测方法，该检测方法包括以下步骤：

步骤S10，获取包含微小人脸的图像集，并使用矩形标注框标注所述图像集中的每个微小人脸；所述微小人脸为像素值小于或等于设定像素阈值的人脸；

步骤S20，以LFFD作为基准构建人脸检测模型，并获取所述人脸检测模型针对小尺度人脸的检测分支对应的特征图下采样倍数；

步骤S30，基于所述特征图下采样倍数，以微小人脸的矩形标注框的中心进行矩形标注框的设定系数的虚拟扩增，获得带有虚拟标注框的图像集；

步骤S40，分别使用基于带有矩形标注框和其对应的带有虚拟标注框的图像集生成人脸检测模型的分类和预测目标，获得初始人脸检测模型；

步骤S50，采用Back-Propagation和随机梯度下降法迭代训练所述初始人脸检测模型，得到同时检测通常大小人脸和微小人脸的模型；所述通常大小人脸为像素值大于设定阈值的人脸；

步骤S60，通过所述同时检测通常大小人脸和微小人脸的模型，进行在线人脸检测。

在一些优选的实施例中，所述人脸检测模型包括25个卷积层和8个检测分支；

其中，针对小尺度人脸的检测分支为位于卷积层8和卷积层10的b₁检测分支与b₂检测分支。

在一些优选的实施例中，步骤S30包括：

步骤S31，记图像集为，其中，为微小人脸的个数，则矩形标注框为：

其中，和分别为矩形标注框左上角顶点的坐标和坐标，和分别为矩形标注框的宽度和高度；