[发明专利]一种主样本注意力机制的人脸检测方法

说明书

本发明公开了一种主样本注意力机制的人脸检测方法，利用网络模型提取训练图像的特征图信息，然后由锚框筛选模块在特征图的每一特征点上利用预测坐标值偏移量生成预测锚框集合，并将预测锚框分为候选正样本和候选负样本，分别对候选正样本和候选负样本进行排序；使用损失函数计算损失值，所述损失函数分为类别分类损失函数和位置回归损失函数，并根据候选正样本和候选负样本的排名结果赋予重要程度不同的损失值权重，利用主样本注意力机制将权重偏向主样本。本发明在模型训练过程中强调主样本的重要性，抑制不重要样本对模型学习的影响，从而提升了模型的性能，具有较好的实用性。

技术领域

本发明属于人脸检测的技术领域，具体涉及一种主样本注意力机制的人脸检测方法。

背景技术

人脸检测技术是目标检测领域中重要研究之一，是人脸验证、表情识别、年龄识别、智能监控等应用的基础。人脸检测技术分为单阶段算法和两阶段算法，前者主要思路是预先设定固定尺寸的锚框生成候选区域，再对候选区域进行分类、位置回归，类似滑动窗口机制，模型训练更加稳定，定位精度更高，代表算法有R-CNN、Faster R-CNN，而后者去除了候选区域部分的计算，直接在特征图上回归得到目标的位置，这类算法检测速度更快，代表算法有YOLOV3、SSD。然而，单阶段或者两阶段的目标检测算法大多数都采用区域的方法，通常将候选区域的分类问题和定位问题分开处理的，但是在目标附近预测出的结果的类别应该具有更高的置信度，所以分类与定位应该是相关联的。

目前，目标检测领域比较关注如何有效地使用困难样本提高检测器的性能，衍生出许多实现这个想法的方法，比如在线难例挖掘算法（Online Hard Example Mining，OHEM）以及焦点损失函数（Focal Loss）。在线难例挖掘算法使用损失值来选取难例，难例指的是损失值较高的假阳性样本，该算法使模型训练时偏重学习这些难例样本，从而提高检测精度。而焦点损失函数改进了类别分类损失函数，重新给每种样本赋予不同的权重比例，加重困难样本的损失值占比，从而指导模型学习到困难样本，达到解决样本不平衡的问题。虽然这些采样策略一定程度上是有效的，但是处理过程中平等、独立地对待所有样本，并没有学习到样本之间的关系。

综上所述，现有的人脸检测方法存在两个问题：1）将分类和定位这两个问题分开处理；2）平等、独立地对待所有样本，忽略样本互相的影响关系。因此，本发明提出一种简单而有效的人脸检测方法，采用偏重关注主要样本的采样策略解决样本不均匀的问题，将分类和定位问题进行联合训练，大幅度提高检测精度，增加模型的检测性能。

发明内容

本发明的目的在于提供一种主样本注意力机制的人脸检测方法，旨在解决上述问题。

本发明主要通过以下技术方案实现：

一种主样本注意力机制的人脸检测方法，包括以下步骤：

步骤S100：收集自然场景中包含人脸的图像数据，构成训练集；

步骤S200：利用网络模型提取训练图像的特征图信息，然后由锚框筛选模块在特征图的每一特征点上利用预测坐标值偏移量生成预测锚框集合，并将预测锚框分为候选正样本和候选负样本，分别对候选正样本和候选负样本进行排序；

步骤S300：最后使用损失函数计算损失值，所述损失函数分为类别分类损失函数和位置回归损失函数，并根据候选正样本和候选负样本的排名结果赋予重要程度不同的损失值权重，利用主样本注意力机制将权重偏向主样本；优化损失值并设置相关超参数，迭代计算，直至损失值收敛；

所述损失函数的计算公式如下：

其中：

为类别分类损失函数，

为位置回归损失函数，

为类别分类损失函数计算的批处理大小，