一种级联检测中分块优化的方法与流程

1.本发明涉及神经网络领域，特别涉及一种级联检测中分块优化的方法。


背景技术：

2.人工智能领域中神经网络技术日益发展迅猛。其中mtcnn技术也是近年来较为流行的技术之一。mtcnn，multi-task convolutional neural network(多任务卷积神经网络)，将人脸区域检测与人脸关键点检测放在了一起，总体可分为p-net、r-net、和o-net三层网络结构。用于人脸检测任务的多任务神经网络模型，该模型主要采用了三个级联的网络，采用候选框加分类器的思想，进行快速高效的人脸检测。这三个级联的网络分别是快速生成候选窗口的p-net、进行高精度候选窗口过滤选择的r-net和生成最终边界框与人脸关键点的o-net。
3.但是，在现有技术中，也存在如下缺点：当前深度学习算法如果不依赖gpu或npu等硬件加速处理器在嵌入式平台上纯粹靠cpu运行会非常吃力，客户体验也会非常不好，cpu占用率居高不下，落地困难。
4.此外，现有技术中常用的技术术语包括：
5.级联卷积网络：就是设计n阶网络，由粗到精对任务进行处理。
6.图像金字塔：就是将图像按一定尺度进行变换，以适应对不同大小的人脸进行检测。
7.最小检测大小：如果检测目标宽高小于最小检测大小，模型没有检测能力。


技术实现要素：

8.为了解决上述问题，本发明的目的在于：通过本方法实现依靠cpu工作就能够降低cpu负载，提升用户体验。
9.具体地，本发明提供一种级联检测中分块优化的方法，所述方法包括以下步骤：
10.s1，将图像分为16块，图像宽的方向分为四块，高的方向分为四块，确定图像金字塔列表里的最后三个；
11.s2，所述16块的分块标准及块移按以下公式计算：
12.(input_w-wlen_w)/inc_w+1＝fn_w公式(1)
13.(input_h-wlen_h)/inc_h+1＝fn_h公式(2)
14.inc_w＝(input_w
–
min_object_size)/fn_w公式(3)
15.其中，
16.input_w/input_h为输入图像的宽/高；
17.wlen_w/wlen_h为分块的宽/高长度；
18.inc_w/inc_h为块移；
19.fn_w/fn_h是在横向/纵向要分的块数；
20.min_object_size为最小检测物体大小，其保证跨越两块之间的最小物体不漏检。
21.由此，本技术的优势在于：通过分块优化的方式使得级联检测中的效得到大幅提升，充分考虑到了大小目标的检测范围，且与整帧检测效果没有差异。
附图说明
22.此处所说明的附图用来提供对本发明的进一步理解，构成本技术的一部分，并不构成对本发明的限定。
23.图1是本发明方法的示意流程图。
具体实施方式
24.为了能够更清楚地理解本发明的技术内容及优点，现结合附图对本发明进行进一步的详细说明。
25.如图1所示，本发明涉及
26.一种级联检测中分块优化的方法，所述方法包括以下步骤：
27.s1，将图像分为16块，图像宽的方向分为四块，高的方向分为四块，确定图像金字塔列表里的最后三个；
28.s2，所述16块的分块标准及块移按以下公式计算：
29.(input_w-wlen_w)/inc_w+1＝fn_w公式(1)
30.(input_h-wlen_h)/inc_h+1＝fn_h公式(2)
31.inc_w＝(input_w
–
min_object_size)/fn_w公式(3)
32.其中，
33.input_w/input_h为输入图像的宽/高；
34.wlen_w/wlen_h为分块的宽/高长度；
35.inc_w/inc_h为块移；
36.fn_w/fn_h是在横向/纵向要分的块数；
37.min_object_size为最小检测物体大小，其保证跨越两块之间的最小物体不漏检。
38.所述方法选取m*n分辨率的输入图像，其分辨率大小使得图像计算量占整体计算量至少在60％以上。
39.所述的m*n为640*360。
40.所述的图像计算量占整体计算量优选为70％以上。
41.最小检测物体大小min_object_size为40；
42.input_w＝640
43.fn_w＝4
44.根据公式(3)
45.inc_w＝(640
–
40)/4＝150
46.根据公式(1)
47.wlen_w＝190。
48.进一步同理：
49.input_h＝360
50.fn_h＝4
51.根据公式(3)
52.inc_h＝(360
–
40)/4＝80
53.根据公式(1)
54.wlen_h＝120。
55.所述的wlen_w为190，取图像金字塔对应列表的最后三个为(230，130)，(138，78)，(83，47)。
56.具体地，本发明还可以描述为以下实施方式：
57.1级联卷积网络需要对图像进行图像金字塔构建，项目以640*360为输入分辨率，以scale为0.6的缩放系数进行构造图像金字塔，金字塔图像列表计算公式为(input_w*0.6的n次方，input_h*0.6的n次方)；
58.以人形检测最小检测大小为40为例，640*360对应的列表为(640，360)，(384，216)，(230，130)，(138，78)，(83，47)，因为47再以0.6的比例缩放已经小于最小检测大小，所以(83，47)为最后一个金字塔图像；
59.2分块设计：
60.因为640*360的大分辨率图计算量占整体计算量的70％以上，所以重点对640*360进行分块优化；
61.16+3的设计理念：16指的是图像宽的方向分为四块，高的方向分为四块，3是指的金字塔列表里的最后三个。
62.16块的分块标准以以下公式计算：
63.(input_w-wlen_w)/inc_w+1＝fn_w (1)
64.(input_h-wlen_h)/inc_h+1＝fn_h (2)
65.input_w/input_h为输入图像的宽和高
66.wlen_w/wlen_h为分块的宽和高长度
67.inc_w/inc_h为块移
68.fn_w/fn_h是在横向和纵向要分的块数
69.块移的计算通过以下公式计算：
70.min_object_size为最小检测物体大小
71.inc_w＝(input_w
–
min_object_size)/fn_w
ꢀꢀꢀ
(3)
72.尤为重要的是min_object_size，其保证跨越两块之间的最小物体不漏检；
73.以640*360为例：
74.input_w＝640
75.fn_w＝4
76.根据公式(3)
77.inc_w＝(640
–
40)/4＝150
78.根据公式(1)
79.wlen_w＝190
80.此例中wlen_w为190，取金字塔的最后三个(230，130)，(138，78)，(83，47)作为16+3后面的3的设计理念，对于跨越两块的大目标有检测能力并且计算量很小。
81.同理：
82.input_h＝360
83.fn_h＝4
84.inc_h＝(360
–
40)/4＝80
85.wlen_h＝120。
86.以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明实施例可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。