【技术实现步骤摘要】
单步人脸检测器优化系统、方法、装置
本专利技术属于模式识别
，具体涉及一种单步人脸检测器优化系统、方法、装置。
技术介绍
人脸检测是一种在任意输入图像中决定是否存在人脸并返回每一个人脸位置的技术，其广泛应用于计算机视觉等领域，例如人脸识别、人脸追踪和人脸分析等。目前在人脸检测模型中，基于锚点框的单步检测方法占主导地位，该方法基于不同位置、尺度和纵横比的锚点框进行人脸检测。随着深度神经网络的发展，这种基于锚点框的单步检测方法已经在学术界取得了巨大的进步。具体地说，在非常有挑战性的WIDERFACE数据集中，困难子集上的性能近几年已经从40％被提升到了90％。现在，如何持续改进这些高性能的人脸检测器已经成为一个具有挑战性的问题，尤其是在不增加额外开销的情况下。针对该问题，通过分析高性能人脸检测器在WIDERFACE验证集上的错误分布，发现有两种错误模式，即回归和分类，其中分类错误在检测中占主要作用。如果能够增强人脸检测器的分类能力，就可以从复杂的背景中识别出更多的人脸，从而减少错误样本，提高检测精度。因此，如何提高人脸检测器的分类能力是一个值得进一步研究的问题。...
【技术保护点】
1.一种单步人脸检测器优化系统，其特征在于，所述系统包括训练系统、测试系统；所述训练系统包括数据增强模块、尺度感知边距模块、特征监督模块、单步人脸检测器接口模块、损失函数模块；所述数据增强模块，配置为基于被检测图像，通过复制拼接获得拼接图像；在所述拼接图像中随机裁剪获得一个图像块，并对该图像块进行数据增强后，通过锚点框获取训练样本；所述单步人脸检测器接口模块，配置为将所述训练样本发送至待训练的单步人脸检测器进行二分类和边框回归，并获取单步人脸检测器进行训练样本的二分类过程中得到的各训练样本的采样特征；所述尺度感知边距模块，配置为获取训练样本的尺度感知边距损失；所述特征监督模...
【技术特征摘要】
1.一种单步人脸检测器优化系统，其特征在于，所述系统包括训练系统、测试系统；所述训练系统包括数据增强模块、尺度感知边距模块、特征监督模块、单步人脸检测器接口模块、损失函数模块；所述数据增强模块，配置为基于被检测图像，通过复制拼接获得拼接图像；在所述拼接图像中随机裁剪获得一个图像块，并对该图像块进行数据增强后，通过锚点框获取训练样本；所述单步人脸检测器接口模块，配置为将所述训练样本发送至待训练的单步人脸检测器进行二分类和边框回归，并获取单步人脸检测器进行训练样本的二分类过程中得到的各训练样本的采样特征；所述尺度感知边距模块，配置为获取训练样本的尺度感知边距损失；所述特征监督模块，配置为基于所述各训练样本的采样特征，通过基于特征监督的分类网络进行训练样本的二分类；所述损失函数模块，配置为通过基于LCLS、LLOC、LFSM的损失函数，对单步人脸检测器进行参数更新；其中，LCLS为所述单步人脸检测器二分类中的尺度感知边距损失函数，LLOC为边框回归损失函数，LFSM为基于特征监督的分类网络中二分类的损失函数；所述测试系统，配置为基于预设的测试数据，利用所述训练系统得到的单步人脸检测器进行人脸检测任务获取检测准确度，并在该准确度小于预设准确度阈值时，再次通过所述训练系统优化所述单步人脸检测器。2.根据权利要求1所述的单步人脸检测器优化系统，其特征在于，所述被检测图像为矩形，所述数据增强模块中“基于被检测图像，通过复制拼接获得拼接图像”，其方法为：将被检测图像复制4次，并通过矩阵式拼接获取所述拼接图像；所述拼接图像的长边和短边分别为被检测图像长边和短边的2倍。3.根据权利要求2所述的单步人脸检测器优化系统，其特征在于，所述数据增强模块中所述图像块，其长边和短边分别为被检测图像长边和短边A倍，A∈[1,2]。4.根据权利要求1所述的单步人脸检测器优化系统，其特征在于，所述基于特征监督的分类网络，包括ROIAlign层、四个卷积层、一个全局平均池化层、损失函数层。5.根据权利要求1所述的单步人脸检测器优化系统，其特征在于，所述尺度感知边距损失函数基于感知边距的...
【专利技术属性】
技术研发人员：雷震，张士峰，张永明，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：北京,11
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。