【技术实现步骤摘要】
一种无锚点的人脸检测方法及系统
本专利技术涉及基于深度学习的人脸检测领域，特别涉及一种无锚点的人脸检测方法及系统。
技术介绍
人脸检测是计算机视觉和模式识别的基本问题之一，广泛应用于移动设备和嵌入式设备中。因为，这些设备通常具有有限的内存存储和较低的计算能力。因此，快速准确地预检测到人脸是很有必要的。随着卷积神经网络的巨大突破，人脸检测技术近年来取得了显著进展。早期，级联卷积神经网络框架的人脸检测算法使用级联网络来学习人脸特征，以提高性能和保持效率。然而，级联卷积神经网络检测器存在一些问题:1)检测器的运行时间与输入图像上的面数呈负相关；2)由于这些方法分别对各个模块进行优化，使得训练过程极为复杂。后来，出现了锚点的人脸检测方法。可以分为：两阶段的方法和一阶段的方法。与两阶段方法相比，单阶段方法效率更高，召回率更高。然而这些方法存在一些缺陷，一方面，通常需要大量的密集锚点来获得良好的召回率，这导致了后处理的过程耗时严重。另一方面，锚点是一种超参数设计，基于特定数据集的统计计算，其泛化能力较差。此外，目...
【技术保护点】
1.一种无锚点的人脸检测方法，其特征在于，包括：训练步骤和检测步骤；/n所述训练步骤，包括：/nS11：将人脸训练图像进行预处理；所述预处理包括数据扩增预处理和归一化处理；所述数据扩增预处理包括颜色抖动、随机裁剪和补边；/nS12：将预处理后的人脸训练图像输入到设计的深度学习人脸检测网络中，得到生成的人脸热度图、人脸尺度图和人脸中心偏移量图；/nS13：分别计算人脸热度图、人脸尺度图、人脸中心偏移量图的损失值，并对不同的权重进行串联，将最终得到的损失值进行反传；/nS14：重复迭代S11至S13直到人脸检测网络中的参数收敛；/n所述检测步骤，包括：/nS21：将待测人脸图像...
【技术特征摘要】
1.一种无锚点的人脸检测方法，其特征在于，包括：训练步骤和检测步骤；
所述训练步骤，包括：
S11：将人脸训练图像进行预处理；所述预处理包括数据扩增预处理和归一化处理；所述数据扩增预处理包括颜色抖动、随机裁剪和补边；
S12：将预处理后的人脸训练图像输入到设计的深度学习人脸检测网络中，得到生成的人脸热度图、人脸尺度图和人脸中心偏移量图；
S13：分别计算人脸热度图、人脸尺度图、人脸中心偏移量图的损失值，并对不同的权重进行串联，将最终得到的损失值进行反传；
S14：重复迭代S11至S13直到人脸检测网络中的参数收敛；
所述检测步骤，包括：
S21：将待测人脸图像输入到训练好的人脸检测网络中进行人脸检测；
S22：所述训练好的人脸检测网络进行人脸特征提取，输出人脸热度图、人脸尺度图和人脸中心偏移量图；
S23：将所述人脸热度图中大于预设阈值的点认为是人脸，然后在所述人脸中心偏移量图上的对应位置取出人脸坐标偏移量，与所述人脸热度图的坐标相加，得到最终人脸的中心位置，最后在所述人脸尺度图上计算出人脸的宽高，得到人脸的坐标。
2.根据权利要求1所述的无锚点的人脸检测方法，其特征在于，所述设计的人脸检测网络，具体包括：
采用Mobilenetv3作为主干网络，采用UNet的结构作为neck进行后续检测；采用自顶向下的横向连接架构，从单个尺度输入构建特征金字塔；构造的金字塔的层次为{P-L}，L＝3,4,5...，其中，L表示金字塔层次，P-L表示金字塔的第L层；所有金字塔级别有C个通道。
3.根据权利要求1所述的无锚点的人脸检测方法，其特征在于，生成人脸热度图，具体包括：
令[x1,y1,x2,y2]为人脸框的左上和右下两个点，令面部中心点位于c＝[(x1+x2)/2，(y1+y2)/2]，生成人脸高斯热图Y∈[0,1]W/R×H/R，其中，W和H分别表示输入图像的宽和高，R为输出步长，生成热图的函数表示为：
其中，c表示面部的中心点，σ是高斯函数的标准差。定义Yx，y＝1对应于面中心，而Yx，y＝0是背景，则对应的损失函数表示为：
其中，α和β是损失函数的超...
【专利技术属性】
技术研发人员：徐园园，罗继亮，方慧娟，童飞扬，孙海信，
申请(专利权)人：华侨大学，
类型：发明
国别省市：福建;35
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。