The invention discloses a face detection method based on multi-scale cascaded dense connected neural network, which belongs to the field of image processing and computer vision, and is suitable for intelligent systems such as face recognition, face expression recognition, driver fatigue detection, etc. The invention includes the construction method of regional nomination network and the construction method of multi-level dense connection convolution network model, including: collecting face pictures marked with face rectangular box information, forming a training data set that meets the input conditions of each sub-network; constructing a cascade with strong generalization ability. Densely connected to the neural network; using the training data set to train each sub-network separately and get the whole network model; finally, using the whole network model, the multi-pose face in the picture is detected. By introducing a dense connection mode into the network, the invention enables the network to fully extract face feature information, thereby improving the accuracy of face detection in multi-pose situations.
【技术实现步骤摘要】
基于多尺度的级联稠密连接神经网络的人脸检测方法
本专利技术属于图像处理和计算机视觉领域，具体是一种基于多尺度的级联稠密连接神经网络的人脸检测方法。
技术介绍
人脸图像中包含了丰富的信息，对人脸图像的研究与分析是计算机视觉领域的重要方向和研究热点。比如在人脸识别、人群监控、摄影、人机交互和疲劳驾驶等各种人工智能应用中，人脸检测都是这些技术中关键的第一步，只有检测到人脸，后面的分析与研究才会有价值。近十几年来，已有大量的学者对多姿态人脸检测算法进行了深入的研究，总体来说，多姿态人脸检测算法主要分为以下两大类：基于传统的机器学习方法和基于深度学习的方法。传统的机器学习算法一般是通过大量的样本训练得到分类器，以判别是人脸还是非人脸。在测试阶段，最常用的方法是使用滑动窗口算法。首先，将输入图像缩放成各种不同的大小，建立图像金字塔。然后对于金字塔中的每一层图像的每个位置，取出一个固定大小的图片，称之为一个窗口。接着，在这个窗口中提取特征。最后，用训练好的分类器去判断这个窗口中是否是人脸。一般情况下，人脸检测算法需要分类的窗口数量非常非常多，对于一个分辨率为640×480的图片...
【技术保护点】
1.基于多尺度的级联稠密连接神经网络的人脸检测方法，其特征在于，该方法包括区域提名网络的构建方法和多级稠密连接卷积网络模型的构建方法：区域提名网络的构建方法为：在区域提名网络的多个卷积层都进行可能包含人脸区域的得分预测和边框的预测；然后淘汰得分小于设定阈值的区域块，将剩下的区域块进行非极大值抑制来得到最终的可能包含人脸的区域；最后将预测得到的人脸区域送进第二级的稠密连接卷积网络；多级稠密连接卷积网络模型的构建方法为：利用卷积层不断提取人脸更加抽象的特征，同时将低层卷积层提取到的特征与高层卷积层提取到的特征进行连接；然后在最后一层卷积层接入全局平均池化层，对前一层预测的人脸区...
【技术特征摘要】
1.基于多尺度的级联稠密连接神经网络的人脸检测方法，其特征在于，该方法包括区域提名网络的构建方法和多级稠密连接卷积网络模型的构建方法：区域提名网络的构建方法为：在区域提名网络的多个卷积层都进行可能包含人脸区域的得分预测和边框的预测；然后淘汰得分小于设定阈值的区域块，将剩下的区域块进行非极大值抑制来得到最终的可能包含人脸的区域；最后将预测得到的人脸区域送进第二级的稠密连接卷积网络；多级稠密连接卷积网络模型的构建方法为：利用卷积层不断提取人脸更加抽象的特征，同时将低层卷积层提取到的特征与高层卷积层提取到的特征进行连接；然后在最后一层卷积层接入全局平均池化层，对前一层预测的人脸区域进行精细分类和边框回归；最后将剩下的人脸区域送进第三级稠密连接卷积网络，进行更加精细的分类和边框回归，从而预测得到最终的人脸区域。2.如权利要求1所述的基于多尺度的级联稠密连接神经网络的人脸检测方法，其特征在于利用区域提名网络的不同卷积层提取更多高质量的包含人脸的候选区域，防止因提取的候选区域过少的而造成的漏检；采用在区域提名网络的最后两个卷积层分别接上分类层和回归层，进行人脸区域得分的预测和边框回归；最后淘汰得分低于阈值T1的候选框，将剩下的候选框进行非极大值抑制从而得到最终预测结果；T1取值范围为0～1。3.如权利要求1所述的基于多尺度的级联稠密连接神经网络的人脸检测方法，其特征在于引入全局平均池化层取代传统的全连接层来进行人脸的分类和回归；在每一级稠密连接网络的最后一个卷积层后接入全局平均池化层，对前一层卷积网络输出的每一张特征图求整体平均值，充分地学习人脸局部信息，避免因为引入空间结构信息而造成的过拟合；最后在平均池化层后接入softmax层来对前一级预测的人脸区域进行分类和回归。4.如权利要求3所述的基于多尺度的级联稠密连接神经网络的人脸检测方法，其特征在于构建级联的卷积稠密连接网络来提取人脸特征并进行精细的分类和回归，在每一级的稠密连接网络中能有多个密集连接块，每个密集连接块由多个卷积层构成，相同密集连接块的卷积层必须能生成相同大小的特征图；在同一个密集连接块中，每一层卷积层的输入由前面所有卷积层生成的特征图相连而成；两个相邻的密集连接块由过渡层相连接；第二级和第三级网络分别由包含两个密集连接块和三个密集连接块的稠密连接卷积网络组成，对第一级预测的人脸区域进行逐级淘汰和位置精修；所述过渡层包括一个卷积层和一个池化层。5.如权利要求1所述的基于多尺度的级联稠密连接神经网络的人脸检测方法，其特征在于具体包括如下步骤：(1)收集标注了人脸矩形框信息的人脸图片，形成一个初始训练数据集合D1，利用D1生成符合第一级网络输入格式的子训练数据集D2；(2)设计一个能提取更多高质量候选区域的区域提名网络，并利用子训练数据集D2训练该子网络模型，然后将初始训练数据集合D1送入该子网络模型进行检测，由检测的结果生成下一级的训练数据D3；(3)设计提取特征能力和泛化能力更强的级联稠密连接网络，将D3送入稠密连接网络的第一级进行训练生成子网络模型，然后将D1送入区域提名网络和第一级稠密连接网络组成的网络中进行检测，由检测的结果生成下一级稠密连接网络的训练数据集D4，再利用D4训练第二级级联稠密连接网络；(4)利用训练得到的网络模型，检测待测试图片中的多姿态人脸。6.如...
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。