The invention discloses a face detection method and system based on deep learning, which is used in the field of artificial intelligence. The method provided by the invention includes: collecting the pictures of the marked face position, preprocessing the pictures to form the sample pictures of the same size, and dividing them into three training sets; training the first layer of neural network with the first training set to obtain the P_Net model; labeling the sample pictures of the second training set with the P_Net model, and then using the labeled second training set to get the second layer. Neural network is trained to get R_Net model; after annotating sample pictures in the third training set by R_Net model, O_Net model is trained by using the third training set after annotation; cascaded P_Net model, R_Net model and O_Net model are used to detect the input face images. The cascaded three-layer neural network can improve the accuracy of face detection layer by layer, and can quickly and accurately obtain the face detection frame, thereby speeding up face recognition.
【技术实现步骤摘要】
一种基于深度学习的人脸检测方法及系统
本专利技术涉及人工智能领域,尤其涉及一种基于深度学习的人脸检测方法及系统。
技术介绍
人脸识别作为计算机视觉的一个重要研究方向,技术研究与应用已经非常成熟。常见的人脸检测方法可分为深度学习类型和非深度学习类型。非深度学习类型是基于传统机器学习算法(如OpenCV),一般检测速度比较快,占用资源少,但准确程度不高,常用在弱CPU应用端(如摄像头)。而深度学习类型,通常是采用基于卷积神经网络模型,这种方式检测准确率较高,但检测速度慢,比较占用资源,所以多应用在计算能力较强的终端设备上。实际在采用深度学习类型的人脸检测方法时,人脸检测速度慢,难以获得实时的检测效果。有鉴于此,本专利技术提出一种在保障准确率的基础上,提升人脸检测速度的方法。
技术实现思路
本专利技术实施例提供了一种基于深度学习的人脸检测方法及系统,用于快速准确的进行人脸检测。在本专利技术实施例的第一方面,提供了一种人脸检测方法,包括:收集已标注人脸位置的图片,对所述图片预处理形成相同尺寸的样本图片,并将所述样本图片分为第一训练集、第二训练集和第三训练集;利用所述第一训练集对第一层神经网络进行训练,得到P-Net模型;通过所述P-Net模型标注所述第二训练集中样本图片后,利用标注后的第二训练集对第二层神经网络进行训练,得到R-Net模型;通过所述R-Net模型标注所述第三训练集中样本图片后,利用标注后的第三训练集对第三层神经网络进行训练,得到O-Net模型;级联所述P-Net模型、所述R-Net模型和所述O-Net模型,以检测输入的人脸图像。在本专利技术实施例的第二 ...
【技术保护点】
1.一种基于深度学习的人脸检测方法,其特征在于,包括:收集已标注人脸位置的图片,对所述图片预处理形成相同尺寸的样本图片,并将所述样本图片分为第一训练集、第二训练集和第三训练集;利用所述第一训练集对第一层神经网络进行训练,得到P‑Net模型;通过所述P‑Net模型标注所述第二训练集中样本图片后,利用标注后的第二训练集对第二层神经网络进行训练,得到R‑Net模型;通过所述R‑Net模型标注所述第三训练集中样本图片后,利用标注后的第三训练集对第三层神经网络进行训练,得到O‑Net模型;级联所述P‑Net模型、所述R‑Net模型和所述O‑Net模型,以检测输入的人脸图像。
【技术特征摘要】
1.一种基于深度学习的人脸检测方法,其特征在于,包括:收集已标注人脸位置的图片,对所述图片预处理形成相同尺寸的样本图片,并将所述样本图片分为第一训练集、第二训练集和第三训练集;利用所述第一训练集对第一层神经网络进行训练,得到P-Net模型;通过所述P-Net模型标注所述第二训练集中样本图片后,利用标注后的第二训练集对第二层神经网络进行训练,得到R-Net模型;通过所述R-Net模型标注所述第三训练集中样本图片后,利用标注后的第三训练集对第三层神经网络进行训练,得到O-Net模型;级联所述P-Net模型、所述R-Net模型和所述O-Net模型,以检测输入的人脸图像。2.根据权利要求1所述的方法,其特征在于,所述将所述样本图片分为第一训练集、第二训练集和第三训练集还包括:为所述第一训练集分配最大数量的样本图片。3.根据权利要求1或2所述的方法,其特征在于,所述利用所述第一训练集对第一层神经网络进行训练,得到P-Net模型还包括:所述P-Net模型可以获得样本图片中人脸区域的候选框和边界框的回归向量,通过计算边界框的回归,对所述候选框进行校准,并利用非极大值抑制合并达到预设重叠标准的候选框。4.根据权利要求1所述的方法,其特征在于,所述利用所述第一训练集对第一层神经网络进行训练,得到P-Net模型还包括:设置卷积步长为2或4的卷积神经网络,取代最大池化层。5.根据权利要求1所述的方法,其特征在于,对所述所述P-Net模型、所述R-Net模型和O-Net模型任一模型的核心权重层,采用深度可分离卷积进行优化。6.一种人脸检测...
【专利技术属性】
技术研发人员:覃辉,谭卫军,
申请(专利权)人:深圳神目信息技术有限公司,
类型:发明
国别省市:广东,44
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。