The invention belongs to the field of computer vision detection technology, in particular to a face detection method and system based on a lightweight convolutional neural network. The first key problem to be solved in this scheme is to optimize the model into a lightweight model, reduce the amount of computation and improve the speed of computation. Secondly, to realize the lightweight of the network, we need to ensure the accuracy of the face detection model. Therefore, to balance the lightweight and accuracy of the network, we need to be able to study how to improve the accuracy of the algorithm based on the lightweight face detection network model The key issues solved by the case. This case has certain advantages in detection accuracy, model size and detection speed synthesis. Compared with the face detection algorithm based on vgg16, this network ensures certain accuracy and has more advantages in detection speed, model size and other aspects.
【技术实现步骤摘要】
一种基于轻量级卷积神经网络的人脸检测方法及系统
本专利技术属于计算机视觉检测
,具体涉及一种基于轻量级卷积神经网络的人脸检测方法及系统。
技术介绍
检测问题是计算机视觉的一个传统问题,其中人脸检测又是其中最重要的一项。随着计算机成像技术的日益成熟,加之人脸检测算法的发展,人脸检测在现今社会中开始扮演越来越重要的角色,比如机场安检、公司打卡、公共场合监控、电子设备免密进入等等,人脸检测都有其用武之地。现有的人脸检测方法大致可以分为两类。一类是基于模板匹配,通过模板与需要检测的图片进行对比,来确定该图片是否为人脸,对人脸不变性特征比如轮廓特征、颜色特征、纹理特征等建立模板,通过计算输入图像与人脸模板的相似度判断该区域是否包含人脸,基于模板匹配的算法依赖于静态场景中事先建立好的人脸模板,在尺度变化大的动态场景中,效果比较差。另一类是基于特征统计,将人工构造的特征与机器学习中的分类器算法如人工神经网络和Adaboost等相结合,在大量人脸样本中进行统计学习,对待测图像中某一区域是否能通过分类器进行正确分类来达到人脸检测的目的,基于特征统计的检测算法受制于人工设计的特征算子,不能充分获取到图像中更高层的表征。卷积神经网络在图像分类问题上取得成功之后很快被用于人脸检测问题,在精度上大幅度超越之前的AdaBoost框架,当前已经有一些高精度、高效的算法。基于深度学习的人脸检测网络技术取得了突破性的进展,但是在实时性与准确性的平衡上仍然有许多不足。随着卷积层深度的增加,它能提取更好的特征,检测精度会提高,但是计算量也越大,意味着检测速度变慢,如SSD框架以及由此衍生 ...
【技术保护点】
1.一种基于轻量级卷积神经网络的人脸检测方法,其特征在于,包括步骤:S1,数据处理,建立人脸数据库,进行图像预处理,生成训练样本;S2,基于输入的所述样本,利用轻量级卷积神经网络进行特征提取;所述轻量级卷积神经网络包括卷积核大小分别为3x3和1x1的卷积层;S3,基于特征融合模块将轻量级卷积神经网络的不同特征层进行融合;S4,锚点框选取;S5,输出多尺度特征图;S6,人脸候选区映射匹配;S7,人脸分类回归;S8,建立非极大值抑制约束;S9,输出检测结果。
【技术特征摘要】
1.一种基于轻量级卷积神经网络的人脸检测方法,其特征在于,包括步骤:S1,数据处理,建立人脸数据库,进行图像预处理,生成训练样本;S2,基于输入的所述样本,利用轻量级卷积神经网络进行特征提取;所述轻量级卷积神经网络包括卷积核大小分别为3x3和1x1的卷积层;S3,基于特征融合模块将轻量级卷积神经网络的不同特征层进行融合;S4,锚点框选取;S5,输出多尺度特征图;S6,人脸候选区映射匹配;S7,人脸分类回归;S8,建立非极大值抑制约束;S9,输出检测结果。2.根据权利要求1所述的基于轻量级卷积神经网络的人脸检测方法,其特征在于,在所述步骤S2中,所述轻量级卷积神经网络CNN的主干网络包括:依次连接的1个Ablock和5个Bblock,其中,Ablock中卷积的通道数设置为16,各个Bblock的通道数依次设置为16、32、64、128、128。3.根据权利要求2所述的基于轻量级卷积神经网络的人脸检测方法,其特征在于,所述Ablock通过卷积核大小为3×3,步长为2的卷积层实现降采样,其后添加卷积核大小为1×1,步长为1的卷积层达到输入特征降维的目的,每个卷积层后面均依次连接用于提高网络的非线性特征的BatchNormalization和非线性函数ReLU。4.根据权利要求3所述的基于轻量级卷积神经网络的人脸检测方法,其特征在于,所述Bblock通过卷积核大小为2×2的最大池化层实现降采样,其步长为2,随后依次连接了卷积核大小为3×3、1×1、3×3的卷积层,每个卷积层步长为1,且后面均依次连接用于提高网络的非线性特征BatchNormalization和非线性函数ReLU。5.根据权利要求1所述的基于轻量级卷积神经网络的人脸检测方法,其特征在于,在所述步骤S3中,所述特征融合模块包括卷积核大小分别为3×3和1×1的卷积层,且步长均为1,其使用反卷积进行上采样,并采用元素求和的方式将低层特征图和变换后的...
【专利技术属性】
技术研发人员:毛亮,刘爽爽,李本崇,朱婷婷,王祥雪,黄仝宇,汪刚,宋一兵,侯玉清,刘双广,
申请(专利权)人:高新兴科技集团股份有限公司,西安电子科技大学,
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。