一种改进的Faster R‑CNN人脸检测方法技术

本发明专利技术公开了一种改进的FasterR‑CNN人脸检测方法，包括以下步骤：步骤1、将原始图片输入到RPN网络中，输出多尺度的候选区域定位框和定位框内包含人脸的概率值；步骤2、依据概率值由高到低依次选取300个候选的人脸区域定位框；步骤3、将初始图片和区域定位框输入到目标检测网络中；步骤4：目标检测网络对输入的图片进行卷积运算，输出图片特征图；步骤5、将人脸区域定位框映射到图片特征图上；步骤6、将特征图依次经ROI pooling层，得尺寸相一致的特征图；步骤7、将人脸区域定位框的特征图进行分类，输出人脸区域坐标和概率。该提高人脸检测准确率，降低了人脸检测的漏检率，具有实用价值。

【技术实现步骤摘要】
一种改进的FasterR-CNN人脸检测方法
本专利技术属于深度学习
，具体涉及一种改进的FasterR-CNN人脸检测方法。
技术介绍
近年来，随着深度学习技术的发展，物体检测：如目标检测、行人检测、车辆检测等领域发展的非常快，出现了一系列优秀的深度学习的目标检测系统如：fastR-CNN、FasterR-CNN等算法。可以准确、有效的检测到目标，在公测数据集如：PASCALVOC12、COCO等数据集上取得了良好的检测效果。FastR-CNN、FasterR-CNN等算法都是针对自然场景下的目标设计出来的，对自然场景下目标的检测有较高的准确率，是一个通用目标检测器。自然场景下目标的尺度一般都较大，像VOC、COCO数据集中目标的尺寸都普遍偏大。目前的FasterRCNN目标检测算法对小目标的检测很不敏感。人脸检测，是人脸识别技术中非常重要的一项技术，对人脸识别最终的性能起到非常重要的影响。人脸兼具有物体的刚性和柔性特质，受光照、尺度、遮挡、角度、环境等因素的影响较大。日常生产生活中，照片与视频中人脸除非刻意的摆拍，一般情况下，人脸的尺寸相对较小。因此，人脸检测是一个小目标的本文档来自技高网...

【技术保护点】
一种改进的Faster R‑CNN人脸检测方法，其特征在于，包括以下步骤：步骤1、将原始图片输入到RPN网络中，输出多尺度的候选区域定位框和定位框内包含人脸的概率值；步骤2、用非极大值抑制算法处理步骤1中的区域定位框，依据概率值，由高到低依次选取300个候选的人脸区域定位框；步骤3、将步骤1中的初始图片和步骤2中的300个候选的人脸区域定位框输入到目标检测网络中；步骤4：目标检测网络对输入的图片进行卷积运算，并经过多层卷积层前向传播到最后一层卷积层，输出图片特征图；步骤5、将步骤2中的300个候选的人脸区域定位框通过坐标的映射变换，映射到步骤4中的图片特征图上，即得到300个候选的人脸区域定位...

【技术特征摘要】
1.一种改进的FasterR-CNN人脸检测方法，其特征在于，包括以下步骤：步骤1、将原始图片输入到RPN网络中，输出多尺度的候选区域定位框和定位框内包含人脸的概率值；步骤2、用非极大值抑制算法处理步骤1中的区域定位框，依据概率值，由高到低依次选取300个候选的人脸区域定位框；步骤3、将步骤1中的初始图片和步骤2中的300个候选的人脸区域定位框输入到目标检测网络中；步骤4：目标检测网络对输入的图片进行卷积运算，并经过多层卷积层前向传播到最后一层卷积层，输出图片特征图；步骤5、将步骤2中的300个候选的人脸区域定位框通过坐标的映射变换，映射到步骤4中的图片特征图上，即得到300个候选的人脸区域定位框的特征图；步骤6、将步骤5中的300个候选的人脸区域定位框的特征图依次经ROIpooling层，得尺寸相一致的300个候选的人脸区域定位框的特征图；步骤7、将步骤6中的尺寸相一致的300个候选的人脸区域定位框的特征图进行分类，...

【专利技术属性】
技术研发人员：卫晨，李伟山，
申请(专利权)人：卫晨，
类型：发明
国别省市：陕西,61