本发明涉及人脸检测,特别指一种多尺度密集人脸检测方法及系统。
背景技术:
1、人脸检测是基于人的脸部特征信息进行身份识别的一种生物识别技术,是计算机视觉领域的基础任务,目前主要应用通用目标检测算法进行人脸检测。但由于通用目标检测算法的人脸检测框(anchor)未针对人脸的尺度进行相应优化,导致小尺度人脸容易漏检,降低了通用目标检测算法进行人脸识别的整体精度,不能满足实际场景中的多尺度密集人脸检测的需求。
2、因此,如何提供一种多尺度密集人脸检测方法及系统,实现提升多尺度密集人脸检测精度,成为一个亟待解决的技术问题。
技术实现思路
1、本发明要解决的技术问题,在于提供一种多尺度密集人脸检测方法及系统,实现提升多尺度密集人脸检测精度。
2、第一方面,本发明提供了一种多尺度密集人脸检测方法,包括如下步骤:
3、步骤s1、基于特征金字塔模块、特征融合模块以及感受野增强模块创建一人脸检测模型;
4、步骤s2、获取大量的人脸图像,基于各所述人脸图像构建数据集,对所述数据集中的各人脸图像进行预处理和标注;
5、步骤s3、将所述数据集划分为训练集、验证集以及测试集;
6、步骤s4、通过所述训练集对人脸检测模型进行训练,通过所述验证集对训练后的人脸检测模型进行验证;
7、步骤s5、通过所述测试集对验证后的人脸检测模型进行测试,并不断优化所述人脸检测模型的损失函数以及超参数;
8、步骤s6、利用测试后的所述人脸检测模型进行多尺度密集人脸检测。
9、进一步的,所述步骤s1中,所述特征金字塔模块基于真实场景中人脸的尺度分布以及特征图感受野构建,用于从人脸图像中提取不同尺度的人脸特征;
10、所述特征融合模块基于卷积注意力网络构建,用于对各所述人脸特征进行融合;
11、所述感受野增强模块基于注意力机制构建,用于提升所述人脸检测模型对同一张人脸图像中不同尺度人脸的适应能力。
12、进一步的,所述步骤s2具体为:
13、获取大量的人脸图像,基于各所述人脸图像构建数据集,对所述数据集中的各人脸图像进行至少包括图像增强以及图像扩展的预处理,对预处理后的头部图像进行人脸检测框的标注。
14、进一步的,所述步骤s3具体为:
15、基于7:2:1的比例将所述数据集划分为训练集、验证集以及测试集;
16、所述步骤s4具体为:
17、通过所述训练集对人脸检测模型进行训练,直至满足预设的收敛条件;通过所述验证集对训练后的人脸检测模型进行验证,判断识别精度是否大于预设的精度阈值,若是,则结束训练;若否,则扩充所述训练集继续训练。
18、进一步的,所述步骤s5中,所述损失函数为diou损失函数;所述超参数至少包括随机失活率、权值衰减率、学习率以及混合残差比例。
19、第二方面,本发明提供了一种多尺度密集人脸检测系统,包括如下模块:
20、人脸检测模型模块,用于基于特征金字塔模块、特征融合模块以及感受野增强模块创建一人脸检测模型;
21、数据集构建模块,用于获取大量的人脸图像,基于各所述人脸图像构建数据集,对所述数据集中的各人脸图像进行预处理和标注;
22、数据集划分模块,用于将所述数据集划分为训练集、验证集以及测试集;
23、人脸检测模型训练模块,用于通过所述训练集对人脸检测模型进行训练,通过所述验证集对训练后的人脸检测模型进行验证;
24、人脸检测模型测试模块,用于通过所述测试集对验证后的人脸检测模型进行测试,并不断优化所述人脸检测模型的损失函数以及超参数;
25、多尺度密集人脸检测模块,用于利用测试后的所述人脸检测模型进行多尺度密集人脸检测。
26、进一步的,所述人脸检测模型模块中,所述特征金字塔模块基于真实场景中人脸的尺度分布以及特征图感受野构建,用于从人脸图像中提取不同尺度的人脸特征;
27、所述特征融合模块基于卷积注意力网络构建,用于对各所述人脸特征进行融合;
28、所述感受野增强模块基于注意力机制构建,用于提升所述人脸检测模型对同一张人脸图像中不同尺度人脸的适应能力。
29、进一步的,所述数据集构建模块具体用于:
30、获取大量的人脸图像,基于各所述人脸图像构建数据集,对所述数据集中的各人脸图像进行至少包括图像增强以及图像扩展的预处理,对预处理后的头部图像进行人脸检测框的标注。
31、进一步的,所述数据集划分模块具体用于:
32、基于7:2:1的比例将所述数据集划分为训练集、验证集以及测试集;
33、所述人脸检测模型训练模块具体用于:
34、通过所述训练集对人脸检测模型进行训练,直至满足预设的收敛条件;通过所述验证集对训练后的人脸检测模型进行验证,判断识别精度是否大于预设的精度阈值,若是,则结束训练;若否,则扩充所述训练集继续训练。
35、进一步的,所述人脸检测模型测试模块中,所述损失函数为diou损失函数;所述超参数至少包括随机失活率、权值衰减率、学习率以及混合残差比例。
36、本发明的优点在于:
37、通过基于特征金字塔模块、特征融合模块以及感受野增强模块创建人脸检测模型,获取大量的人脸图像构建数据集,对数据集中的各人脸图像进行预处理和标注后,划分为训练集、验证集以及测试集,接着通过训练集对人脸检测模型进行训练,通过验证集对训练后的人脸检测模型进行验证,通过测试集对验证后的人脸检测模型进行测试,并不断优化人脸检测模型的损失函数以及超参数,最后利用测试后的人脸检测模型进行多尺度密集人脸检测;由于特征金字塔模块基于真实场景中人脸的尺度分布以及特征图感受野构建,用于从人脸图像中提取不同尺度的人脸特征;特征融合模块基于卷积注意力网络构建,用于对各种尺度的人脸特征进行融合,能够让小尺度人脸的特征信息在特征融合过程中尽可能保留下来;感受野增强模块基于注意力机制构建,用于提升人脸检测模型对同一张人脸图像中不同尺度人脸的适应能力,最终大幅度提升了多尺度密集人脸检测精度。
1.一种多尺度密集人脸检测方法,其特征在于:包括如下步骤:
2.如权利要求1所述的一种多尺度密集人脸检测方法,其特征在于:所述步骤s1中,所述特征金字塔模块基于真实场景中人脸的尺度分布以及特征图感受野构建,用于从人脸图像中提取不同尺度的人脸特征;
3.如权利要求1所述的一种多尺度密集人脸检测方法,其特征在于:所述步骤s2具体为:
4.如权利要求1所述的一种多尺度密集人脸检测方法,其特征在于:所述步骤s3具体为:
5.如权利要求1所述的一种多尺度密集人脸检测方法,其特征在于:所述步骤s5中,所述损失函数为diou损失函数;所述超参数至少包括随机失活率、权值衰减率、学习率以及混合残差比例。
6.一种多尺度密集人脸检测系统,其特征在于:包括如下模块:
7.如权利要求6所述的一种多尺度密集人脸检测系统,其特征在于:所述人脸检测模型模块中,所述特征金字塔模块基于真实场景中人脸的尺度分布以及特征图感受野构建,用于从人脸图像中提取不同尺度的人脸特征;
8.如权利要求6所述的一种多尺度密集人脸检测系统,其特征在于:所述数据集构建模块具体用于:
9.如权利要求6所述的一种多尺度密集人脸检测系统,其特征在于:所述数据集划分模块具体用于:
10.如权利要求6所述的一种多尺度密集人脸检测系统,其特征在于:所述人脸检测模型测试模块中,所述损失函数为diou损失函数;所述超参数至少包括随机失活率、权值衰减率、学习率以及混合残差比例。