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方案

本发明专利技术属于计算机视觉检测技术领域，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。本方案首先需要解决的关键问题是将模型优化成轻量级模型，减少计算量、提高运算速度，其次实现网络的轻量化的同时需要保证人脸检测模型的精确度，因此平衡网络轻量级和准确率，需要能在轻量级人脸检测网络模型的基础上研究如何提高算法的准确率是本方案解决的关键问题。本案在检测精度、模型大小、检测速度综合方面具有一定优势，该网络与基于VGG16的人脸检测算法相比，保证了一定的精度，在检测速度、模型大小等方面更具有优势。

A face detection method and system based on lightweight convolutional neural network

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框架以及由此衍生出各种改进的SSD模型，基于VGG-Net的SSD模型虽然在检测精度得到了提升,但是由于其模型计算量较大，检测速度较慢，难以满足实时应用需求。如需实现实时人脸检测,则需要对神经网络进行剪枝优化,这会牺牲一定的检测精度，因此如何做到能保持检测精度，同时又能压缩网络，使检测速度变快，是当前人脸检测面临的主要技术问题。
技术实现思路
为了解决现有技术中存在的技术缺陷，本专利技术提出了一种基于轻量级卷积神经网络的人脸检测方法及系统。本专利技术通过以下技术方案实现：一种基于轻量级卷积神经网络的人脸检测方法，其包括步骤：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。进一步地，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。进一步地，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。进一步地，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。进一步地，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高层特征图融合在一起。本专利技术还提供一种基于轻量级卷积神经网络的人脸检测系统，以SSD检测框架为基础，在特征提取时采用所设计的轻量卷积级神经网络作为主干网络，其包括：数据处理模块，用于建立人脸数据库，进行图像预处理，生成训练样本；轻量卷积级神经网络模块，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；特征融合模块，用于对主干网络的不同特征层进行融合，并输出多尺度特征图；锚点框选取模块，用于设置锚点框的宽高比。优选的，所述轻量级卷积神经网络包括：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。优选的，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。优选的，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。优选的，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高层特征图融合在一起。与现有技术相比，本专利技术至少具有下述的有益效果或优点：本方案从设计轻量级的人脸检测网络出发，在原有深度学习神经网络模型理论研究的基础上，分析人脸检测神经网络模型在尺寸与运算效率方面的关键制约因素，通过对关键制约因素的分析,对网络进行优化；在SSD框架中采用所设计的轻量级网络作为主干网络用于人脸检测，减少模型的存储空间，减少模型建立与初始化时对计算机内存的占用；在卷积网络上实现了多个卷积层特征的融合，将设计的特征融合模块用于轻量级人脸检测网络，从而让算法在精度方面有一定的提高；与传统SSD检测算法相比，考虑到人脸形状和比例的特殊性，本方案把检测框的宽高比设置为1，减少复杂的网络计算，提高深度学习神经网络的运算效率。附图说明以下将结合附图对本专利技术做进一步详细说明；图1(a)为本专利技术Ablock结构图；图1(b)为本专利技术Bblock结构图；图1(c)为本专利技术的人脸检测主干网络结构图；图2为本专利技术的特征融合模块图；图3为本专利技术的人脸检测流程图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。主流的卷积神经网络模型层次深、参数大，计算量十分庞大，无法实现实时检测，由实验可知，在卷积计算中影响耗时的因素主要分为两方面：输入特征图的维度和卷积核的个数。输入特征图的宽高越大，卷积核在水平和垂直方向上所需滑动计算的次数越多；输入特征图的通道数越大，卷积核每一次局部连接计算时需要线性组合计算的参数就越多；在前向运算中，输入特征需要与卷积神经网络中本文档来自技高网...

【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