[发明专利]一种自动分配候选区域的人脸检测方法及装置和电子设备

权利要求书

1.一种自动分配候选区域的人脸检测方法，其特征在于，包括以下步骤：

S1、构建深度神经网络模型，深度神经网络模型的网络结构从前至后包括：从前至后由卷积层和批归一化层以及激活函数层封装成的卷积模块、第一线性瓶颈模块、第二线性瓶颈模块、第三线性瓶颈模块、第四线性瓶颈模块、从前至后由卷积层和批归一化层以及激活函数层封装成的卷积模块、候选区域建议网络、自动分配候选区域模块、感兴趣区域对齐层，所述感兴趣区域对齐层后接两个并行的卷积层；线性瓶颈模块从前至后由从前至后由卷积层和批归一化层以及激活函数层封装成的卷积模块、深度可分离卷积层、批归一化层、激活函数层、卷积层、批归一化层、特征相加层封装而成；

S2、收集任意大小的人脸图像，并预先定义候选区域的长宽比和面积大小，然后分成训练集和测试集；

S3、将训练集输入深度神经网络模型，由深度神经网络模型提取训练集中的人脸图像的卷积特征信息，然后利用候选区域建议网络生成候选区域集合，再将候选区域集合自动分成正样本和负样本，将候选区域集合分成正样本和负样本具体包括：

使用以下公式计算每个候选区域的得分：

；

式中：为超参数，调节类别分类得分和之间的平衡，其中是计算候选区域与真实边界框之间的距离交并比得到的，计算公式如下：

；

；

其中：DIOU表示距离交并比，是用于候选区域与真实边界框面积并集和交集的比值，是在传统的交并比IOU公式中添加了由最小外接矩形对角距离构成的惩罚项，能更好的表示候选区域与真实边界框之间的重叠度；b为候选区域B的中心点，为真实边界框的中心点，为欧式距离计算公式，C为B和的最小外接矩形的对角线距离；

重新计算每个候选区域的得分之后，利用高斯混合模型基于得分为训练样本集构建概率分布，采用两个单高斯模型组成双模式的高斯混合模型，公式如下：

；

式中：w,m,p代表权重参数、样本均值以及两个高斯模型的精度，N是高斯分布的概率分布密度函数；

然后使用期望最大值迭代算法求出使高斯混合模型最优的参数，高斯混合模型将输出所有候选区域的概率分布信息，最后根据概率分布信息将候选区域集合划分成正负样本集合；

再输入到感兴趣区域对齐层提取候选区域对应的特征信息进行分类、定位，根据设定的深度神经网络模型的损失函数和优化策略以及相关超参数重复对深度神经网络模型进行训练，直到损失值趋于零，得到优化深度神经网络模型；

S4、将人脸图像输入优化深度神经网络模型，输出人脸检测结果。

2.根据权利要求1所述的自动分配候选区域的人脸检测方法，其特征在于，所述深度神经网络模型的损失函数包括类别分类损失函数和位置定位损失函数，所述类别分类损失函数采用使用二元交叉熵损失函数，用于计算候选区域的概率分布值与预测概率值之间的损失值；所述位置定位损失函数采用完整交并比损失函数，计算候选区域与真实边界框之间的损失值。

3.根据权利要求1所述的自动分配候选区域的人脸检测方法，其特征在于，所述激活函数层都采用参数修正线性单元层。

4.根据权利要求1所述的自动分配候选区域的人脸检测方法，其特征在于，所述候选区域的尺寸比例中面积大小为，尺度比例为。

5.根据权利要求1所述的自动分配候选区域的人脸检测方法，其特征在于，所述优化策略是使用带动量参数的随机梯度下降法优化模型参数，模型训练的相关超参数学习率设为0.001、批处理大小设为256、总迭代次数设为100000、L2惩罚权重衰减率设为0.001。