本发明专利技术公开一种基于等级学习级联卷积神经网络的人脸检测方法，涉及计算机识别技术领域；使用全卷积神经网络作为人脸检测的基网络,对训练样本进行检测难度的分类，训练得到等级划分模型，建立修正卷积神经网络的架构，对基网络无法检测的训练样本进行训练，得到修正检测模型，利用上述等级划分模型及修正检测模型进行图像中人脸检测：先将图像输入到等级划分模型，判断该图像中人脸的检测难度，若该图像中人脸是难检测人脸，将其输入到修正卷积神经网络进行检测。
【技术实现步骤摘要】
一种基于等级学习级联卷积神经网络的人脸检测方法
本专利技术公开一种人脸检测方法，涉及计算机识别
，具体地说是一种基于等级学习级联卷积神经网络的人脸检测方法。
技术介绍
随着科技的发展、人们生活水平的提高，人脸检测在金融、电子商务、安防等领域的应用越来越广，其市场规模达到将近千亿级别。虽然现有的人脸检测方法已能够达到一定的检测精度，但仍有许多缺陷，比如现有的人脸检测方法在光照、遮挡等复杂环境场景下，不能比较准确地进行人脸识别，因此不能令人满意，另外，现有方法并未考虑到检测难度的差异性，对于较难检测的人脸和较容易检测人脸使用同一个模型检测，导致对复杂场景下的人脸难以正确检测，从而降低了检测的效率。本专利技术提供一种基于等级学习级联卷积神经网络的人脸检测方法，针对人脸的检测精度进行划分，然后使用复杂的修正网络对难检测人脸进行精准检测，使用简单的基网络对易检测人脸进行检测，在提高难检测人脸检测精度的同时，提高了检测效率。
技术实现思路
本专利技术提供一种基于等级学习级联卷积神经网络的人脸检测方法，针对人脸的检测精度进行划分，然后使用复杂的修正网络对难检测人脸进行精准检测，使用简单的基网络对易检测人脸进行检测，在提高难检测人脸检测精度的同时，提高了检测效率。本专利技术提出的具体方案是：一种基于等级学习级联卷积神经网络的人脸检测方法：使用全卷积神经网络作为人脸检测的基网络,将人脸图像作为训练样本输入到基网络，获得训练样本的检测结果，与groundtruth进行比较，检测正确的检测难度标记为1，检测错误的检测难度标记为0，对训练样本进行检测难度的分类，训练得到等级划分模型，建立修正卷积神经网络的架构，对基网络无法检测的训练样本进行训练，设置图像中每个人脸的权重，进行迭代优化，不断更新权重，得到修正检测模型，利用上述等级划分模型及修正检测模型进行图像中人脸检测：先将图像输入到等级划分模型，判断该图像中人脸的检测难度，若输出为0，说明该图像中人脸是易检测人脸，则将其输入到基网络进行检测，若等级划分模型输出为1，说明该图像中人脸是难检测人脸，将其输入到修正卷积神经网络进行检测。所述的方法将Alexnet中的全连接层改为1×1的卷积层，作为基网络的主要结构。所述的方法将Resnet作为修正卷积神经网络的主要架构。所述的方法对基网络无法检测的训练样本进行训练时，设置图像中每个人脸的权重的初始化权重公式为：在上式中，变量x表示图像中的一个人脸，变量q表示检测正确的人脸的个数，变量p表示检测错误的人脸的个数，ΩC表示检测正确错误的人脸，ΩB表示检测正确的人脸集合。所述的方法进行迭代优化，不断更新权重的权重更新公式：在上式中，变量un-1表示上一次迭代是样本x的权重，acc表示被上次迭代中目标检测的正确率，Ωerr表示上次迭代中被错误检测的人脸集合，Ωacc表示上次迭代中被正确检测的人脸集合。本专利技术的有益之处是：本专利技术提供一种基于等级学习级联卷积神经网络的人脸检测方法，利用本专利技术中等级划分模型及修正检测模型进行图像中人脸检测：先将图像输入到等级划分模型，判断该图像中人脸的检测难度，若输出为0，说明该图像中人脸是易检测人脸，则将其输入到基网络进行检测，若等级划分模型输出为1，说明该图像中人脸是难检测人脸，将其输入到修正卷积神经网络进行检测。针对人脸的检测精度进行划分，然后使用复杂的修正网络对难检测人脸进行精准检测，使用简单的基网络对易检测人脸进行检测，在提高难检测人脸检测精度的同时，提高了检测效率。附图说明图1本专利技术人脸检测流程示意图，图2本专利技术方法流程示意图。具体实施方式本专利技术提供一种基于等级学习级联卷积神经网络的人脸检测方法：使用全卷积神经网络作为人脸检测的基网络,将人脸图像作为训练样本输入到基网络，获得训练样本的检测结果，与groundtruth进行比较，检测正确的检测难度标记为1，检测错误的检测难度标记为0，对训练样本进行检测难度的分类，训练得到等级划分模型，建立修正卷积神经网络的架构，对基网络无法检测的训练样本进行训练，设置图像中每个人脸的权重，进行迭代优化，不断更新权重，得到修正检测模型，利用上述等级划分模型及修正检测模型进行图像中人脸检测：先将图像输入到等级划分模型，判断该图像中人脸的检测难度，若输出为0，说明该图像中人脸是易检测人脸，则将其输入到基网络进行检测，若等级划分模型输出为1，说明该图像中人脸是难检测人脸，将其输入到修正卷积神经网络进行检测。结合附图对本专利技术做一步说明。利用本专利技术方法，使用Alexnet的结构作为基网络的主要结构，Alexnet中的全连接层改为1×1的卷积层，将训练样本输入到基检测网络，获得训练样本的检测结果，将训练样本的检测结果与groundtruth进行比较，检测正确的检测难度标记为1，检测错误的检测难度标记为0，再使用Alexnet作为等级划分模型，对训练样本进行检测难度的分类，将训练样本及其获得的检测难度标记输入到Alexnet，训练得到等级划分模型，根据等级划分模型的分类结果即可得到样本的检测难度；建立修正卷积神经网络的架构，修正卷积神经网络主要用于对受光照、遮挡等因素影响的难以正确检测的人脸进行检测，使用结构较为复杂的Resnet作为修正卷积神经网络的主要架构，为了进一步提高对难检测样本的检测准确性，在训练时，设置图像中每个人脸的权重，初始化权重公式：在上式中，变量x表示图像中的一个人脸，变量q表示检测正确的人脸的个数，变量p表示检测错误的人脸的个数，ΩC表示检测正确错误的人脸，ΩB表示检测正确的人脸集合，由上式可以看出，在训练过程中，检测错误的人脸的权重要大于检测正确的人脸的权重，每次迭代优化中，不断更新权重，权重更新公式：在上式中，变量un-1表示上一次迭代是样本x的权重，acc表示被上次迭代中目标检测的正确率，Ωerr表示上次迭代中被错误检测的人脸集合，Ωacc表示上次迭代中被正确检测的人脸集合，由于训练精度一般是大于50％的，所以被分错的样本的权重要大于分对样本的权重；对于一幅待检测人脸图像，首先输入到等级划分模型，判断该人脸的检测难度，如果输出为0，说明该人脸是易检测人脸，则将其输入到基检测网络进行检测，如果等级划分模型输出为1，说明该人脸是难检测人脸，将其输入到修正网络进行检测。利用本专利技术方法能够解决复杂场景下人脸的准确检测问题，即使人脸模糊也能较为正确的检测出来，配合极少量的摄像头，可以形成新的人脸检测方案，可用于金融身份验证、智能安防、电子商务等领域。检测精度和模型效率的提高则可提高产品竞争力，可以带来良好的经济效益和社会效益。本文档来自技高网...
【技术保护点】
一种基于等级学习级联卷积神经网络的人脸检测方法，其特征是使用全卷积神经网络作为人脸检测的基网络,将人脸图像作为训练样本输入到基网络，获得训练样本的检测结果，与groundtruth进行比较，检测正确的检测难度标记为1，检测错误的检测难度标记为0，对训练样本进行检测难度的分类，训练得到等级划分模型，建立修正卷积神经网络的架构，对基网络无法检测的训练样本进行训练，设置图像中每个人脸的权重，进行迭代优化，不断更新权重，得到修正检测模型，利用上述等级划分模型及修正检测模型进行图像中人脸检测：先将图像输入到等级划分模型，判断该图像中人脸的检测难度，若输出为0，说明该图像中人脸是易检测人脸，则将其输入到基网络进行检测，若等级划分模型输出为1，说明该图像中人脸是难检测人脸，将其输入到修正卷积神经网络进行检测。
【技术特征摘要】
1.一种基于等级学习级联卷积神经网络的人脸检测方法，其特征是使用全卷积神经网络作为人脸检测的基网络,将人脸图像作为训练样本输入到基网络，获得训练样本的检测结果，与groundtruth进行比较，检测正确的检测难度标记为1，检测错误的检测难度标记为0，对训练样本进行检测难度的分类，训练得到等级划分模型，建立修正卷积神经网络的架构，对基网络无法检测的训练样本进行训练，设置图像中每个人脸的权重，进行迭代优化，不断更新权重，得到修正检测模型，利用上述等级划分模型及修正检测模型进行图像中人脸检测：先将图像输入到等级划分模型，判断该图像中人脸的检测难度，若输出为0，说明该图像中人脸是易检测人脸，则将其输入到基网络进行检测，若等级划分模型输出为1，说明该图像中人脸是难检测人脸，将其输入到修正卷积神经网络进行检测。2.根据权利...
【专利技术属性】
技术研发人员：袭肖明，于治楼，陈祥，杜亨方，
申请(专利权)人：济南浪潮高新科技投资发展有限公司，
类型：发明
国别省市：山东,37
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。