的值小于规定阈值为止。
[0038] 步骤S3,将待检测照片送入训练好的卷积神经网络中，得到最后一层的输出特征 值；
[0039] 步骤S4,根据预定阈值和最后一层的特征值的比较结果，对照片中各像素点是否 是人脸位置进行判断。
[0040] 在使用训练好的所述卷积神经网络进行人脸检测时，所述预定阈值用于与所述卷 积神经网络的输出值进行比较，如果小于所述预定阈值，则认为所述卷积神经网络的当前 输出值对应的像素点为非人脸区域，而大于所述预定阈值，则认为其对应的像素点为人脸 区域。
[0041] 所述预定阈值是通过将训练集中的所有图片输入至训练好的所述卷积神经网络 后，选择一阈值，使得得到的输出值与所述阈值进行比较的结果与所输入的图片中每个像 素点的实际标签值相同。比如，如果将阈值设置成0. 5,那么与小于0. 5的输出值的比较结 果表示0,与大于0. 5的输出值的比较结果为1。
[0042] 步骤S5,使用最小闭包的方法，将人脸的位置检测出来。
[0043] 其中，最小闭包是指寻找一个矩形，使得判断为人脸的像素点全部包含在内，那么 这个矩形就认为是人脸区域。
[0044] 实施例：
[0045]为了详细说明本发明的具体实施方法，接下来以某人脸检测数据库为例对本发明 方法进行进一步的说明。该数据库包含3500张照片，包括不同的场景，如白天、黑夜、室内、 室外等。在使用本发明进行人脸检测时，按照以下步骤进行：
[0046] 步骤S1，将数据库中的所有照片缩放成相同大小的灰度图，图片的标签信息根据 图片各像素点是否属于人脸分成2类，如图2所示。
[0047] 步骤S2,建立带有5个卷积层和3个全连接层的卷积神经网络，其中最后一层全 连接层与输入图片维度相同，该网络所有权重均随机初始化。其中卷积层的激活函数均为 ReLU函数，送入的照片为112X112大小的图片，第一层卷积层采用48个尺寸为11X11X1 的卷积子；第二层卷积层采用128个尺寸为3X3X48的卷积子；第三层卷积层采用192个 尺寸为3X3X128的卷积子；第四层卷积层采用192个尺寸为3X3X192的卷积子；第五层 卷积层采用128个尺寸为3X3X192的卷积子；后面连接的全连接层的维数分别为4096、 4096、12544,如图3所示。使用梯度下降法和反向传播算法来优化神经网络中的各个参数。 我们在最后一层全连接层使用sigmoid激活函数，神经元个数与图片大小相同，我们使用 L2范数作为损失函数训练网络，定义如下：
[0048]
[0049] 其中，nii是图片的标签信息，p屬CNN网络的输出，定义如下：
[0050] Pi= g(f (x i)),
[0051] f(x)是前一层的输出，g(?)是激活函数。
[0052] 步骤S3,将测试照片送入训练好的卷积神经网络中，得到最后一层的输出特征值。
[0053] 步骤S4,学习一个阈值，根据阈值和最后一层的特征值，对照片中各像素点是否是 人脸位置进行判断。
[0054] 步骤S5,使用最小闭包的方法，将人脸的位置检测出来，图4是一些实例图。
[0055] 以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详 细说明，应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在 本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护 范围之内。
【主权项】
1. 一种基于卷积神经网络的人脸检测方法，包括： 步骤S1 :将训练集中的所有图片缩放成预定大小的灰度图，并为每个所述图片中的每 个像素点赋予标签信息，所述标签信息用于表示其对应的像素点是否为人脸； 步骤S2 :建立卷积神经网络，其中，所述卷积神经网络各层依次为输入层、多个卷积 层、多个全连接层和输出层，其中，输入层和最后一层全连接层的神经元个数与所述图片的 大小相同；使用梯度下降法和反向传播算法训练所述卷积神经网络； 步骤S3 :将待检测照片输入至训练好的所述卷积神经网络中，得到最后一层的输出特 征值； 步骤S4 :将所述最后一层的输出特征值与预定阈值进行比较，以确定所述待测照片中 各像素点是否为人脸区域； 步骤S5 :使用最小闭包的方法，根据确定为人脸区域的各像素点检测出人脸的位置。2. 根据权利要求1所述的方法，其中，步骤1中所述预定大小为在100X100~ 150X150 之间。3. 根据权利要求1所述的方法，其中，所述卷积神经网络包括3-7个卷积层，1-5个全 连接层。4. 根据权利要求1所述的方法，其中，所述卷积神经网络中的卷积层的激活函数为 ReLU函数，神经元个数与所输入图片的大小相同。5. 根据权利要求1所述的方法，其中，所述卷积神经网络中最后一层全连接层的激活 函数为sigmoid激活函数，神经元个数与所输入图片的大小相同。6. 根据权利要求1所述的方法，其中，步骤S2中L2范数作为损失函数训练所述卷积神 经网络，定义如下：其中，Q为所述卷积神经网络的第i个输出值与相应像素点的标签值间的L2范数值，mi是所输入图片的第i个像素点的标签信息，pi是所述卷积神经网络的第i个输出，定义如 下： Pi=g(f(xi)), f(Xi)是前一层的输出，g( ?)是激活函数，Xi前一层的第i个输入。7. 根据权利要求1所述的方法，其中，所述预定阈值通过如下方式获得： 将训练集中的所有图片输入至训练好的所述卷积神经网络后，选择预定阈值，使得得 到的输出值与所述阈值进行比较的结果与所输入的图片中每个像素点的标签信息相同。8. -种基于卷积神经网络的人脸检测装置，包括： 预处理模块：将训练集中的所有图片缩放成预定大小的灰度图，并为每个所述图片中 的每个像素点赋予标签信息，所述标签信息用于表示其对应的像素点是否为人脸； 网络建立模块：建立卷积神经网络，其中，所述卷积神经网络各层依次为输入层、多个 卷积层、多个全连接层和输出层，其中，输入层和最后一层全连接层的神经元个数与所述图 片的大小相同；使用梯度下降法和反向传播算法训练所述卷积神经网络； 检测模块：将待检测照片输入至训练好的所述卷积神经网络中，得到最后一层的输出 特征值； 比较模块：将所述最后一层的输出特征值与预定阈值进行比较，以确定所述待测照片 中各像素点是否为人脸区域； 识别模块：使用最小闭包的方法，根据确定为人脸区域的各像素点检测出人脸的位置。
【专利摘要】本发明公开了一种基于卷积神经网络的人脸检测方法及装置。所述方法包括将训练集中的所有图片缩放成预定大小的灰度图，并为每个所述图片中的每个像素点赋予标签信息，所述标签信息用于表示其对应的像素点是否为人脸；建立卷积神经网络，其中，所述卷积神经网络各层依次为输入层、多个卷积层、多个全连接层和输出层；使用梯度下降法和反向传播算法训练所述卷积神经网络；将待检测照片输入至训练好的所述卷积神经网络中，得到最后一层的输出特征值；将所述最后一层的输出特征值与预定阈值进行比较，以确定所述待测照片中各像素点是否为人脸区域；使用最小闭包的方法，根据确定为人脸区域的各像素点检测出人脸的位置。
【IPC分类】G06K9/00
【公开号】CN104992167
【申请号】CN201510451034
【发明人】王亮, 黄永祯, 张凯皓
【申请人】中国科学院自动化研究所
【公开日】2015年10月21日
【申请日】2015年7月28日