[发明专利]一种基于特征增强的选择性步进式轻量级人脸检测方法

权利要求书

1.一种用于训练人脸检测模型的方法，其特征在于，所述方法包括：

对训练数据集进行数据增广以获得增广图片集；

对所述增广图片集中的每张图片进行基础特征提取以获得第一分支的原始特征图；

对所获得的原始特征图进行基于有效性机制的特征增强以得到第二分支的经增强特征图；

初始化训练参数；

根据选择性策略来构建包括所述第一分支和所述第二分支的步进分类组和步进回归组；以及

对所构建的步进分类组和步进回归组的步进式损失进行加权求和以用于监督模型学习，直到模型收敛。

2.如权利要求1所述的方法，其特征在于，对训练数据集进行数据增广以获得增广图片集进一步包括：

对训练数据集中的每张图片进行包括水平翻转和随机裁剪的初步预处理；

采用包括色彩抖动和噪声扰动的数据增强方式来模拟无约束场景下的干扰，以对每张图片进行进一步处理，以得到增广图片集。

3.如权利要求1所述的方法，其特征在于，对增广图片集中的每张图片进行基础特征提取以获得第一分支的原始特征图进一步包括：

利用轻量级残差骨干网络对增广图片集中的每张图片进行基础特征提取以获得原始特征图，其中所述轻量级残差骨干网络采用多个Xception模块，所述Xception模块是通过残差连接方式线性堆叠卷积层以实现深度可分离的结构，其中在所述Xception模块内部实现局部残差连接，在所述轻量级残差骨干网络外部实现全局残差连接。

4.如权利要求1所述的方法，其特征在于，对所获得的原始特征图进行基于有效性机制的特征增强以得到第二分支的经增强特征图进一步包括：

使用尺寸为1×1的卷积核对当前层特征图进行归一化处理；

将经过空洞卷积后的上层特征图与所述当前层特征图进行转置卷积；

将转置后的特征图送入空间可分离卷积网络；

分别以均值池化、最大值池化方式处理经过空间可分离卷积后的特征图，以得到经均值池化、最大值池化的特征图；以及

将所述经均值池化、最大值池化的特征图传入共享的多层感知机以得到经增强特征图。

5.如权利要求1所述的方法，其特征在于，所述选择性策略进一步包括：

将所述第一分支的较低层级的原始特征图和所述第二分支的较低层级的经增强特征图构建为步进分类组，并且将所述第一分支的较高层级的原始特征图和所述第二分支的较高层级的经增强特征图构建为步进回归组。

6.如权利要求1所述的方法，其特征在于，所构建的步进分类组和步进回归组的步进式损失是由所述步进分类组的双分支损失和所述步进回归组的双分支损失加权求和所得，其中所述步进分类组的双分支损失是基于softmax损失函数来确定的，所述步进回归组的双分支损失是基于smooth L1损失函数来确定的。

7.一种基于特征增强的人脸检测方法，其特征在于，所述方法包括：

获取人脸检测样本图片；

将所获取的图片输入利用如权利要求1-6中任一者所述的方法训练好的人脸检测模型；以及

所述人脸检测模型处理并且在所获取的图片中以矩形框标注检测到的人脸。

8.一种用于训练人脸检测模型的系统，其特征在于，所述系统包括：

数据增广模块，所述数据增广模块被配置成对训练数据集进行数据增广以获得增广图片集；

特征提取模块，所述特征提取模块被配置成对所述增广图片集中的每张图片进行基础特征提取以获得第一分支的原始特征图；

特征增强模块，所述特征增强模块被配置成对所获得的原始特征图进行基于有效性机制的特征增强以得到第二分支的经增强特征图；

选择性构建模块，所述选择性构建模块被配置成初始化训练参数并且根据选择性策略来构建包括所述第一分支和所述第二分支的步进分类组和步进回归组；以及

损失计算模块，所述损失计算模块被配置成对所构建的步进分类组和步进回归组的步进式损失进行加权求和以用于监督模型学习，直到模型收敛。