一种遮挡人脸图像高准确率检测对比方法技术

本发明专利技术公开了一种遮挡人脸图像高准确率检测对比方法，包括以下步骤：对训练数据进行预处理；制作用于训练生成分支的生成目标图片集；构建特征增强分支，得到专注于面部的局部特征；构建并行的特征提取网络分支，强化细节特征的提取和利用；构建完整网络模型，并基于融合特征和并行特征提取进行人脸区域分类与边框回归；网络端到端训练，更新网络参数，得到完成训练的检测模型；输入遮挡人脸图像样本，使用完成训练的检测模型框选人脸图像位置，完成遮挡人脸图像检测。本发明专利技术可以有效提高可见人脸区域特征在整体特征中的比重，提升检测模型对于遮挡人脸图像的鲁棒性，对于遮挡人脸图像具有更高的检测准确率和召回率。

A high accuracy detection and comparison method for occluded face image

【技术实现步骤摘要】
一种遮挡人脸图像高准确率检测对比方法
本专利技术涉及一种人脸图像检测方法，尤其涉及一种遮挡人脸图像高准确率检测对比方法。
技术介绍
人脸图像检测也简称人脸检测(FaceDetection)，是指判断输入图像中是否存在人脸图像并确定所有人脸图像区域具体位置的过程。随着智能化识别技术愈加普遍，人脸图像自动检测技术在案件侦破、身份识别、移动社交、拍照美化等广泛场景中发挥着重要的应用价值。人脸图像检测技术主要分为传统检测方法和基于深度学习的检测方法。其中，传统人脸图像检测技术主要通过设计人工特征，如灰度特征、轮廓特征、肤色特征等对图像进行人脸与非人脸的二分类。PaulViola等人提出的VJ检测算法就是传统检测算法的优秀代表。VJ算法利用Haar特征和Adaboost级联策略，通过层级训练弱分类器构建强检测器，达到了实时的检测速率和比较好的检测准确率。相比于传统机器学习方法，神经网络在非线性函数拟合方面更具优势。随着近年来深度学习领域相关技术的进步，相关模型在图片特征提取及分类检测方面都具有优异的表现，因此深度学习在人脸图像检测上的应用本文档来自技高网...

【技术保护点】
1.一种遮挡人脸图像高准确率检测对比方法，其特征在于：包括以下步骤：/n步骤1、对训练数据进行预处理；/n步骤2、制作用于训练生成分支的生成目标图片集；/n步骤3、构建特征增强分支，得到专注于面部的局部特征；构建并行的特征提取网络分支，强化细节特征的提取和利用；/n步骤4、构建完整网络模型，并基于融合特征和并行特征提取进行人脸区域分类与边框回归；/n步骤5、网络端到端训练，更新网络参数，得到完成训练的检测模型；/n步骤6、输入遮挡人脸图像样本，使用完成训练的检测模型框选人脸图像位置，完成遮挡人脸图像检测。/n

【技术特征摘要】
1.一种遮挡人脸图像高准确率检测对比方法，其特征在于：包括以下步骤：
步骤1、对训练数据进行预处理；
步骤2、制作用于训练生成分支的生成目标图片集；
步骤3、构建特征增强分支，得到专注于面部的局部特征；构建并行的特征提取网络分支，强化细节特征的提取和利用；
步骤4、构建完整网络模型，并基于融合特征和并行特征提取进行人脸区域分类与边框回归；
步骤5、网络端到端训练，更新网络参数，得到完成训练的检测模型；
步骤6、输入遮挡人脸图像样本，使用完成训练的检测模型框选人脸图像位置，完成遮挡人脸图像检测。


2.根据权利要求1所述的遮挡人脸图像高准确率检测方法，其特征在于：所述步骤1中，所述训练数据集采用WiderFace公开数据集，所述预处理包括对所有输入图像进行尺寸缩放处理，以避免占用过高显存。


3.根据权利要求2所述的遮挡人脸图像高准确率检测方法，其特征在于：所述步骤1中，WiderFace公开数据集包含大量面部遮挡图片，数据标注中occlusion项表示遮挡程度，分为0、1、2级，分别表示无遮挡、轻微遮挡、大面积遮挡；从occlusion等级为0的样本中随机选取50％，对于每张图片从非groundtruth区域截取方形背景区域，区域大小范围为随机[0.2，0.8]倍的最大GT框边长，使用裁剪的背景区域覆盖部分GT框造成人为遮挡；输入网络前，将所有输入图像进行尺寸处理，按比例缩放至短边不超过600像素、长边不超过800像素。


4.根据权利要求2或3所述的遮挡人脸图像高准确率检测方法，其特征在于：所述步骤2的方法是：基于WiderFace数据集，为每张训练集图片制作相应的生成目标图片，用于计算相似度生成损失。


5.根据权利要求4所述的遮挡人脸图像高准确率检测方法，其特征在于：所述步骤2中，将每张输入图像非GT区域像素值置零，得到仅包含人脸区域的图像，作为增强分支的生成目标。


6.根据权利要求4所述的遮挡人脸图像高准确率检测方法，其特征在于：所述步骤3包括以下步骤：
步骤3.1、构建两个特征增强分支，得到专注于面部的局部特征；具体包括以下步骤：
步骤3.1.1、构建两个特征增强分支网络，包括用于特征筛选的卷积网络和用于图片生成的反卷积网络；
步骤3.1.2、主网络特征提取阶段输出的特征首先经过3层卷积层，卷积核大小3*3，padding为1，步长为1，得到尺度不变的512通道中间特征；
步骤3.1.3、中间特征经过decoder模块生成目标区域，具体经过caffe框架下4层deconv层，获得与输入尺寸相同的1通道输出图像；
步骤3.1.4、计算生成图像与步骤2中制作的生产目标图片的相似度损失，并基于此调整增强分支网络参数；所述相似度损失采用L2损失，计算公式为：
Lsim＝αLf+(1-α)Lnf
其中，Lsim是生成损失，α是用于调节loss中人脸区域对损失的贡献度的参数，Lf为人脸区域损失，Lnf为非人脸区域损失，其中Lf和Lnf采用同样的L2损失，计算公式如下：



其中，yi为生成图片像素值，为标注图片对应值；
步骤3.2、构建并行的特征提取网络，并与基干网络进行融合，强化人脸细节特征的提取，具体包括以下步骤：
步骤3.2.1、构建并行的特征提取网络，并行网络与基干网络同样采用VGG16的前置卷...

【专利技术属性】
技术研发人员：孙冰，潘召军，
申请(专利权)人：成都川大科鸿新技术研究所，
类型：发明
国别省市：四川;51