[发明专利]一种基于卷积神经网络的非受控人脸检测方法及系统

说明书

本发明属于人脸检测领域，涉及一种基于卷积神经网络的非受控人脸检测方法及系统；所述方法包括获取人脸图像集合，并对其进行预处理输入到卷积神经网络中进行特征提取；利用特征金字塔将提取到的不同层级的特征图进行融合；从主分支中获取特征图中的特征点以及该特征图的第一回归结果；对特征点按照混合vMF分布建模，从主分支中得到该特征图的第一分类结果；融合第一回归结果的边界特征后，采用与主分支相同的方式得到辅助分支的第二回归结果与第二分类结果，对卷积神经网络进行迭代训练直至收敛；将待测人脸图像输入到训练完成的卷积神经网络中，输出检测结果；本发明能够精准的提取出任意人脸图像中的人脸位置。

技术领域

本发明属于人脸检测领域，特别涉及一种基于卷积神经网络的非受控人脸检测方法及系统。

背景技术

人脸作为人最重要的特征之一，其传达了重要的身份信息。而人脸检测是多数面部分析算法的基础，这些算法通常包括人脸对齐、人脸建模、人脸识别、头部姿势跟踪等等。因此，人脸检测在人机交互、图像检索、智能监控等领域有着较为广泛的实际应用意义。相较与受控环境，非受控环境更接近于现实世界中的复杂场景，而人脸检测在非受控环境下受光照、姿势、分辨率、尺度和遮挡等因素的影响，使得人脸检测任务在非受控环境下仍具有挑战性。

现有的人脸检测算法大致可以分为两类，一类是基于手工特征的传统人脸检测方法，这些检测方法的流程通常包括：滑动窗口的选择、特征提取、训练分类器。但由于其手工制作的特征在复杂场景中缺乏灵活性，因此传统的人脸检测方法受限于简单的应用场景中。第二类是基于卷积神经网络的深度学习方法，由于深度卷积神经网络的感受野机制与人类视觉系统契合，因此深度卷积神经网络被大量应用到人脸检测问题中。基于卷积神经网络的深度学习方法可以实现自动提取特征，并且具有强大的学习能力和良好的鲁棒性，同时提供了端到端的解决方案，从而其效果远好于传统人脸检测方法。

现有技术中，基于卷积神经网络的人脸检测器都是基于锚(anchor)的，其在人脸检测领域已经达到了较好的效果，但基于anchor的人脸检测器存在许多超参，如:iou阈值、anchor的尺度、长宽比以及它的基础大小，而这极大的依赖于手工调参过程，限制了模型的自适应能力以及跨域能力；并且基于anchor的人脸检测器，由于anchor的尺度是离散的，但图像中的人脸尺度却是相对连续的，这导致了基于anchor的人脸检测器无法完全覆盖所有人脸。另外，现有的非受控人脸检测方法仍不能覆盖极端环境下的人脸，如遮挡人脸，在非受控环境中，由于遮挡物位置以及类型的多样性，使得有部分遮挡的人脸检测极具挑战性。因此如何解决基于anchor的人脸检测器所带来的问题以及极端场景下的人脸检测问题以使得人脸检测精度提高，是当前亟待解决的问题。

发明内容

为解决上述问题，本发明提出了一种基于卷积神经网络的非受控人脸检测方法及系统。

在本发明的第一方面，本发明提供了一种基于卷积神经网络的非受控人脸检测方法，包括以下步骤：

获取带有人脸位置标签的人脸图像集合，并对其进行预处理；

将预处理后的人脸图像输入到卷积神经网络中进行特征提取；

利用特征金字塔将提取到的不同层级的特征图进行融合；

对所述特征图进行图像增强，从主分支中获取特征图中的特征点以及该特征图的第一回归结果；

对所述特征点按照混合vMF分布建模，所述特征图经过多个混合vMF分布模型后，从主分支中得到该特征图的第一分类结果；

在所述主分支后加入辅助分支，在融合第一回归结果得到的回归预测框的边界特征后，对融合后的特征采用与主分支相同的方式得到第二回归结果与第二分类结果；

联合优化求解主分支与辅助分支的损失函数，对卷积神经网络进行迭代训练直至收敛；

将待测人脸图像输入到训练完成的卷积神经网络中，输出检测结果。