[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

说明书

本发明提供了一种用于训练人脸检测模型的方法和系统。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。另外，本发明还提供了人脸检测方法和系统。

技术领域

本发明涉及图像处理领域，更具体地，涉及基于特征增强的选择性步进式轻量级人脸检测方法。

背景技术

智能化终端设备的普及促进了人类思维方式的转变，也赋予了人类社交本质全新的定义。其中，目标检测作为计算机视觉领域中应用场景最为广泛的分支，其原理是通过算法程序从数字化图像中提取出特定类(如人、动物、植物、汽车等)的可视化对象实例。人脸检测采用机器的高效汇总和分析替代了人类繁重的视觉处理工作，对时代社会的生产发展影响深远。目前，人脸检测在隐私、安防、社会治理等方面取得了突破性的进展，如3D人脸识别解锁、嫌犯追踪、刷脸验证和支付等。

随着深度学习的飞速发展，基于卷积神经网络的人脸检测方法以其强大的表征学习与非线性建模能力逐步取代了传统的人工模板匹配方法，通过自主习得面部特征，显著提高了检测精度。在公认的人脸检测基准上，精度达到领先水平的人脸检测方法，其模型大小基本都达到百兆量级及以上，显然这些方法牺牲了模型的轻量化，通过构建更复杂的模型、引入更全面的参数以提升准确率。

将人脸检测应用于边缘与终端设备(如移动手机端或嵌入式结构，甚至摄像头内部)逐渐成为厂商的头部需求，但这些设备因计算能力和内存大小的限制，完全无法承载模型大小在百兆量级上的一些目前最为先进的人脸检测方法。此外，这些方法在公认的人脸检测基准上的性能数值差异较小，几乎无法在实际应用场景中察觉，因此，人脸检测在边缘与终端设备上的研发应该专注于实时性的提高，这样才能达到真正意义上的工业级落地标准。

实时性要求网络模型能够快速推理，这意味着其参数计算、模型结构等方面必须精简，在一定程度上限制了特征提取的充分性，影响了检测结果的精度，因此，实时性高的轻量级人脸检测方法在实际应用场景中仍存在较大的准确率提升空间。而现有技术尚无法适配边缘与终端设备，因此期望提供一种可在实时性与准确率中取得较好平衡的人脸检测方法和系统。

发明内容

提供本发明内容以便以简化形式介绍将在以下具体实施方式中进一步的描述一些概念。本发明内容并非旨在标识所要求保护的主题的关键特征或必要特征，也不旨在用于帮助确定所要求保护的主题的范围。

本发明提供了一种基于特征增强的选择性步进式轻量级人脸检测方法，着重在以下三个方面进行改进和优化：第一，保证网络模型的实时性，搭建轻量级的残差骨干网络，将局部残差连接与全局残差连接相结合，力求在有限的尺度空间范围内提取更加充分、全面的特征信息。第二，专注于挖掘当前层特征，通过基于有效性机制的特征增强模块实现单分支架构向双分支架构的拓展，并据此设计出步进式损失以适配各分支、各层级特征图的步进学习能力，扩展了人脸面部特征的提取模式。第三，推理时应用选择性策略，指定底层及细节特征重点参与分类打分，指定判别力强的高层语义特征重点参与位置回归，尽可能避免不同层级特征图之间的相互干扰，使得算法模型更加高效。

根据本发明的一方面，提供了一种用于训练人脸检测模型的方法，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；