基于多粒度代价敏感卷积神经网络的人脸检测方法及系统技术方案

本发明专利技术公开了基于多粒度代价敏感卷积神经网络的人脸检测方法及系统，属于计算机视觉技术领域。本发明专利技术的基于多粒度代价敏感卷积神经网络的人脸检测方法，该方法中采用快速区域卷积神经网络为基本框架，在快速区域卷积神经网络框架中加入多粒度转换单元，将不同人脸的重要性引入到目标函数中，通过优化目标函数，获得多粒度转换卷积神经网络的参数，从而得到人脸检测模型。该发明专利技术的基于多粒度代价敏感卷积神经网络的人脸检测方法能够增强被遮挡人脸在训练过程中的重要程度，从而提高被遮挡人脸被检测出的准确性，具有很好的推广应用价值。

【技术实现步骤摘要】
基于多粒度代价敏感卷积神经网络的人脸检测方法及系统
本专利技术涉及计算机视觉
，具体提供一种基于多粒度代价敏感卷积神经网络的人脸检测方法及系统。
技术介绍
随着深度学习的出现，生物识别技术已取得了巨大的突破。在诸如指纹、虹膜等生物特征中，人脸由于其非接触性等优点已成为一种极具潜力的生物特征。在多用户同时识别场景下，多用户的人脸检测是重要基础。然而，该类场景可能存在大量人脸，且远景下的人脸较小，使得可用信息较少，从而降低了人脸检测的精度。因此，如何针对大量用户人脸的同时检测场景下的问题，设计精确的人脸检测方法，使其能够准确地对人脸进行正确检测，对于提高产品竞争力，降低企业成本具有重要的意义。
技术实现思路
本专利技术的技术任务是针对上述存在的问题，提供一种能够增强被遮挡人脸在训练过程中的重要程度，从而提高被遮挡人脸被检测出的准确性的基于多粒度代价敏感卷积神经网络的人脸检测方法。本专利技术进一步的技术任务是提供一种基于多粒度代价敏感卷积神经网络的人脸检测系统。为实现上述目的，本专利技术提供了如下技术方案：一种基于多粒度代价敏感卷积神经网络的人脸检测方法，该方法中采用快速区域卷积神经网络为基本框架，在快速区域卷积神经网络框架中加入多粒度转换单元，将不同人脸的重要性引入到目标函数中，通过优化目标函数，获得多粒度转换卷积神经网络的参数，从而得到人脸检测模型。所述多粒度转换单元能够进行粒度转换，将小李杜转换成大力度，从而将远景的小人量转换为近景的大人量，增加了小人量的信息量。此外，通过与原始图像比较，减少了需要检测人脸的数目，降低了人脸检测的难度。该方法能够增强被遮挡人脸在训练过程中的重要程度，从而提高被遮挡人脸被检测出的准确性。作为优选，所述方法在快速区域卷积神经网络框架中加入多粒度转换单元，将多粒度转换单元的输出图像输入到快速区域卷积神经网络的regionproposal层，学习候选的proposal，同时，将多粒度转换单元的输出输入到卷积层获取局部特性，经过池化层进行采样，得到鲁棒的特性，将鲁棒特性与regionproposal层学习获取的候选特征进行融合，将融合后的特征输入到ROIpooling层，获得固定大小长度的特征，将特征输出到目标函数，通过优化目标函数，获得多粒度转换卷积神经网络的参数，得到人脸检测模型。作为优选，引入人脸代价，在训练时，设置图像中每个人脸的代价权重，初始化权重公式如公式(1)所示：其中，x表示用户人脸，表量q表示未被遮挡的人脸个数，变量p表示被遮挡的人脸的个数，ΩC表示被遮挡的人脸集合，ΩB表示未被遮挡的人脸集合。一般来说，被遮挡的人脸个数要小于未被遮挡的人脸个数，根据公式(1)计算，被遮挡人脸的权重大于未被遮挡的人脸的权重。作为优选，在每次迭代优化中，不断更新权重，权重更新公式如公式(2)所示：其中，变量un-1表示人脸x上一轮迭代的权重，acc表示被上轮迭代中人脸检测的正确率，Ωerr表示上轮迭代中误检的人脸集合，Ωacc表示上轮迭代中正确检测的人脸集合。一般来说，人脸检测的训练精度大于百分之五十，因此，根据公式(2)，误检的人脸权重大于正确检测出的人脸权重。作为优选，利用随机梯度方法优化公式(3)，通过优化参数w完成训练，Minui(yi-wTxi)2+||w||2(3)其中，yi是第i个人脸的类别标记，xi是第i个人脸学习出的最终特征。基于多粒度代价敏感卷积神经网络的人脸检测系统，该系统包括快速区域卷积神经网络，在快速区域卷积神经网络中加入多粒度转换单元，将多粒度转换单元的输出图像输入到快速区域卷积神经网络的regionproposal层，学习候选的proposal，同时，将多粒度转换单元的输出输入到卷积层获取局部特性，经过池化层进行采样，得到鲁棒的特性，将鲁棒特性与regionproposal层学习获取的候选特征进行融合，将融合后的特征输入到ROIpooling层，通过全连接层输出结果。利用该基于多粒度代价敏感卷积神经网络的人脸检测系统进行基于多粒度代价敏感卷积神经网络的人脸检测方法中，在快速区域卷积神经网络框架中加入多粒度转换单元，将多粒度转换单元的输出图像输入到快速区域卷积神经网络的regionproposal层，学习候选的proposal，同时，将多粒度转换单元的输出输入到卷积层获取局部特性，经过池化层进行采样，得到鲁棒的特性，将鲁棒特性与regionproposal层学习获取的候选特征进行融合，将融合后的特征输入到ROIpooling层，获得固定大小长度的特征，将特征输出到目标函数，通过优化目标函数，获得多粒度转换卷积神经网络的参数，得到人脸检测模型。其中，引入人脸代价，在训练时，设置图像中每个人脸的代价权重，初始化权重公式如公式(1)所示：其中，x表示用户人脸，表量q表示未被遮挡的人脸个数，变量p表示被遮挡的人脸的个数，ΩC表示被遮挡的人脸集合，ΩB表示未被遮挡的人脸集合。一般来说，被遮挡的人脸个数要小于未被遮挡的人脸个数，根据公式(1)计算，被遮挡人脸的权重大于未被遮挡的人脸的权重。在每次迭代优化中，不断更新权重，权重更新公式如公式(2)所示：其中，变量un-1表示人脸x上一轮迭代的权重，acc表示被上轮迭代中人脸检测的正确率，Ωerr表示上轮迭代中误检的人脸集合，Ωacc表示上轮迭代中正确检测的人脸集合。一般来说，人脸检测的训练精度大于百分之五十，因此，根据公式(2)，误检的人脸权重大于正确检测出的人脸权重。利用随机梯度方法优化公式(3)，通过优化参数w完成训练，Minui(yi-wTxi)2+||w||2(3)其中，yi是第i个人脸的类别标记，xi是第i个人脸学习出的最终特征。作为优选，所述多粒度转换单元包括多粒度转换层和多粒度提取层，在多粒度转换层中设置一个卷积mask。作为优选，所述多粒度转换层的卷积mask由0和1构成。其中，1的个数决定了获取人脸的粒度大小，通过使用mask卷积，可获得不同大小的区域，在该区域中存在不同粒度的人脸。作为优选，所述多粒度提取层根据多粒度转换层的结果，将非0的元素提取出来，得到不同粒度大小的人脸。与现有技术相比，本专利技术的基于多粒度代价敏感卷积神经网络的人脸检测方法及系统具有以下突出的有益效果：(一)通过该基于多粒度代价敏感卷积神经网络的人脸检测方法能够进行粒度转换，将小粒度转换成大粒度。从而将远景的小人脸转换为近景的大人脸，增加了小人脸的信息量；(二)该基于多粒度代价敏感卷积神经网络的人脸检测方法中相比较原始图像，减少了需要检测人脸的数目，降低了人脸检测的难度；(三)本专利技术提出的基于代价敏感的目标函数，能够增强被遮挡人脸在训练过程中的重要程度，从而提高被遮挡人脸被检测出的准确性，具有良好的推广应用价值。附图说明图1是本专利技术所述基于多粒度代价敏感卷积神经网络的人脸检测方法的流程图；图2是本专利技术所述基于多粒度代价敏感卷积神经网络的人脸检测系统的多粒度转换单元的示意图。具体实施方式下面将结合附图和实施例，对本专利技术的基于多粒度代价敏感卷积神经网络的人脸检测方法及系统作进一步详细说明。实施例如图1所示，本专利技术的基于多粒度代价敏感卷积神经网络的人脸检测方法，在快速区域卷积神经网络框架中加入多粒度转换单元，将多粒度转换单元的输出图像本文档来自技高网...

【技术保护点】
1.基于多粒度代价敏感卷积神经网络的人脸检测方法，其特征在于：该方法中采用快速区域卷积神经网络为基本框架，在快速区域卷积神经网络框架中加入多粒度转换单元，将不同人脸的重要性引入到目标函数中，通过优化目标函数，获得多粒度转换卷积神经网络的参数，从而得到人脸检测模型。

【技术特征摘要】
1.基于多粒度代价敏感卷积神经网络的人脸检测方法，其特征在于：该方法中采用快速区域卷积神经网络为基本框架，在快速区域卷积神经网络框架中加入多粒度转换单元，将不同人脸的重要性引入到目标函数中，通过优化目标函数，获得多粒度转换卷积神经网络的参数，从而得到人脸检测模型。2.根据权利要求1所述的基于多粒度代价敏感卷积神经网络的人脸检测方法，其特征在于：所述方法在快速区域卷积神经网络框架中加入多粒度转换单元，将多粒度转换单元的输出图像输入到快速区域卷积神经网络的regionproposal层，学习候选的proposal，同时，将多粒度转换单元的输出输入到卷积层获取局部特性，经过池化层进行采样，得到鲁棒的特性，将鲁棒特性与regionproposal层学习获取的候选特征进行融合，将融合后的特征输入到ROIpooling层，获得固定大小长度的特征，将特征输出到目标函数，通过优化目标函数，获得多粒度转换卷积神经网络的参数，得到人脸检测模型。3.根据权利要求1或2所述的基于多粒度代价敏感卷积神经网络的人脸检测方法，其特征在于：引入人脸代价，在训练时，设置图像中每个人脸的代价权重，初始化权重公式如公式(1)所示：其中，x表示用户人脸，表量q表示未被遮挡的人脸个数，变量p表示被遮挡的人脸的个数，ΩC表示被遮挡的人脸集合，ΩB表示未被遮挡的人脸集合。4.根据权利要求3所述的基于多粒度代价敏感卷积神经网络的人脸检测方法，其特征在于：在每次迭代优化中，不断更新权重，权重更新公式如公式(2)所示：其中，变量un-1表示人脸x上一轮迭代的...

【专利技术属性】
技术研发人员：于治楼，袭肖明，
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