[发明专利]一种基于多任务的轻量级实时人脸检测方法

说明书

本发明公开了一种基于多任务的轻量级实时人脸检测方法，首先将带有标签信息的人脸图像送入轻量级卷积神经网络模型进行训练，然后将待检测图片输入训练好的轻量级卷积神经网络模型中进行检测，得到预测数据。所述轻量级卷积神经网络模型使用DFace‑MobileNetV1作为主干网络对将待检测图片进行特征提取，然后送入GLFPN中对特征图中的全局信息与局部信息进行融合，并传入DSSH进行上下文特征的抽取，最后由MultiHead输出预测数据。为增强对离群点人脸的检测能力，本发明提出了基于离群样本补偿的交并比匹配算法；为促进特征图在人脸区域产生更大的响应，本发明利用弱监督分割预测来辅助学习。本发明在保证实时运行速度的情况下，进一步降低了人脸检测精度的损失。

技术领域

本发明属于人脸识别领域，具体涉及一种基于多任务的轻量级实时人脸检测方法。

背景技术

传统的人脸检测方法采用手工设计的特征，这些特征稳定性较差，鲁棒性不高，对于各种遮挡、各种表情以及各种姿态等复杂情况，人脸检测效果极不理想。近年来，深度学习的异军突起将人工智能的发展推向了一个新的高度，研究表明，用卷积神经网络所提取出来的含有高级抽象的语义特征是传统手工设计特征所不具备的，而这些特征特别适合于多变场景下的视觉任务，人脸检测任务也不例外。

由于使用复杂神经网络结构提取特征所消耗的时间和空间资源巨大，不利于实际应用部署，因此轻量级网络的研究得到了业界的青睐。轻量级网络在损失一定精度的情况下，大大提高了神经网络运行的速度，使得深度学习能够在有限资源条件下投入应用。因此，如何在保证实时运行速度的情况下，进一步降低人脸检测精度的损失，成为研究的一个热点。

发明内容

本发明针对上述问题，提供了一种基于多任务的轻量级实时人脸检测方法，为增强对离群点人脸的检测能力，本发明提出了基于离群样本补偿的交并比匹配算法；为促进特征图在人脸区域产生更大的响应，本发明利用弱监督分割预测来辅助学习。本发明在保证实时运行速度的情况下，进一步降低了人脸检测精度的损失。

本发明的技术方案如下：

一种基于多任务的轻量级实时人脸检测方法，包括以下步骤：

S1、将含有人脸边框和人脸关键点标注的图片进行预处理，得到带有标签信息的训练图像，将所述训练图像送入轻量级卷积神经网络模型进行训练，直到在一定的时间内验证集精度在所述轻量级卷积神经网络模型中不再增加，得到训练好的轻量级卷积神经网络模型；

S2、将待检测图片输入S1训练好的轻量级卷积神经网络模型中进行检测，得到预测数据；

S3、将S2得到的预测数据通过阈值过滤掉低质量的预测数据，将过滤后的预测数据通过非极大值抑制得到最终的检测结果。

进一步的，S1中“将所述训练图像送入轻量级卷积神经网络模型进行训练”前，先使用ImageNet对所述轻量级卷积神经网络模型进行预训练，得到预训练权值文件，将所述预训练权值文件加载到所述轻量级卷积神经网络模型中。

进一步的，所述轻量级卷积神经网络模型包括轻量级卷积神经网络DFace-MobileNetV1、轻量级特征金字塔网络GLFPN、上下文增强模块DSSH以及多任务检测头部预测模块MutiHead，其中，所述轻量级卷积神经网络DFace-MobileNetV1用于对待检测图片的特征信息进行提取，得到多种尺度特征图，所述轻量级特征金字塔网络GLFPN用于对所述多种尺度特征图中的多种尺度特征进行融合，同时对所述多种尺度特征图中的全局信息与局部信息进行融合，所述上下文增强模块DSSH用于增大待检测图片中的目标感受野区域，所述多任务检测头部预测模块MutiHead用于输出所述轻量级卷积神经网络模型的人脸检测预测数据。

进一步的，所述轻量级卷积神经网络DFace-MobileNetV1基于MobileNetV1并进行改进，包括：