融合RepGT-RepBox函数的遮挡人脸检测方法技术

本发明专利技术公开了融合RepGT‑RepBox函数的遮挡人脸检测方法，具体按照以下步骤实施：步骤1:步骤1、卷积层提取图像feature map；步骤2：RPN提取人脸候选区域，在提取人脸候选区时使用融合RepGT‑RepBox函数的损失函数L，更加精准地选取包括人脸的候选区域；步骤3：ROI池化层将人脸候选区域的特征转换成固定大小；步骤4：分类和回归层判断人脸具体位置。本发明专利技术遮挡人脸检测方法，可以有效遮挡对于人脸的干扰，加快训练速度，提高识别准确率。

【技术实现步骤摘要】
融合RepGT-RepBox函数的遮挡人脸检测方法
本专利技术属于人脸检测
，具体涉及一种融合RepGT-RepBox函数的遮挡人脸检测方法。
技术介绍
人脸识别技术都是基于人脸关键特征提取对比完成识别的，其中，特征的完整性是算法成败的一个极为关键的因素，但是当受到外界干扰较多，外界的条件发生明显变化的时候，由于传统方法过于依赖明显的、完整的图像特征，一旦由于人脸发生遮挡，造成部分特征的消失，导致人脸图像特征不完整时，这种算法就会失效，导致无法和库中人脸信息进行对比。遮挡造成的人脸识别的困难主要体现在由遮挡所引发的特征损失、对准误差和局部混叠等方面。FasterR-CNN框架由四个部分组成:1)卷积层(convlayers)，用于提取图片的特征，输入为整张图片，输出为提取出的特征称为featuremap。2)RPN网络(RegionProposalNetwork)，用于推荐人脸候选区域，输出为多个候选区域。3)ROIpooling池化层，将不同大小的输入转换为固定长度的输出。4)分类和回归，这一层的输出是最终目的，输出候选区域所属本文档来自技高网...

【技术保护点】
1.融合RepGT-RepBox函数的遮挡人脸检测方法，其特征在于，具体按照以下步骤实施：/n步骤1:步骤1、卷积层提取图像feature map；/n步骤2：RPN提取人脸候选区域，在提取人脸候选区时使用融合RepGT-RepBox函数的损失函数L，更加精准地选取包括人脸的候选区域；/n步骤3：ROI池化层将人脸候选区域的特征转换成固定大小；/n步骤4：分类和回归层判断人脸具体位置。/n

【技术特征摘要】
1.融合RepGT-RepBox函数的遮挡人脸检测方法，其特征在于，具体按照以下步骤实施：
步骤1:步骤1、卷积层提取图像featuremap；
步骤2：RPN提取人脸候选区域，在提取人脸候选区时使用融合RepGT-RepBox函数的损失函数L，更加精准地选取包括人脸的候选区域；
步骤3：ROI池化层将人脸候选区域的特征转换成固定大小；
步骤4：分类和回归层判断人脸具体位置。


2.根据权利要求1所述的融合RepGT-RepBox函数的遮挡人脸检测方法，其特征在于，步骤1的具体实施方式如下：
步骤1.1、首先要获取人脸图像，人脸图像来自WiderFace公开数据集，此数据集包含大量面部遮挡图片，将图像缩放至固定M×N大小；
步骤1.2、使用基于VGG16的FasterRCNN卷积层提取图像featuremap。


3.根据权利要求2所述的融合RepGT-RepBox函数的遮挡人脸检测方法，其特征在于，步骤1.2中，所述FasterRCNN卷积层包括13个conv层，13个relu层，4个pooling层，依次通过这些层后可得到输入图像的featuremap，conv、relu、pooling三种层的参数如下：
(1)13个conv层的参数均相同，具体为：kernel_size＝3,pad＝1，stride＝1；
(2)13个relu层均使用激活函数；
(3)4个pooling层的参数均相同，具体为：kernel_size＝2,stride＝2，经过此层后得出大小为(M/16)×(N/16)的featuremap，kenel_size4＝16。


4.根据权利要求3所述的融合RepGT-RepBox函数的遮挡人脸检测方法，其特征在于，步骤2的具体实施方式如下：
步骤2.1、先使用3*3的卷积核对featuremap进行卷积运算，使featuremap的特征更加集中；
步骤2.2、使用generate_anchors函数在featuremap生成anchors，假设featuremap中每个点上有k个anchors，所以anchors数量是celi(M/16)×celi(N/16)×K,celi()表示向上取整运算；
步骤2.3、使用softmax判断得到的anchors属于positiveanchors还是negativeanchors，提取出positiveanchors为初步positiveproposals候选区域；
步骤2.4、接着使用损失函数L计算positiveanchors的boundingboxregression的偏移量，通过L的值，判断positiveanchors是否范围超过人脸边界，剔除严重超出边界的anchors；以获得精确的positiveproposals；
步骤2.5、排除掉超出人脸边界的positiveanchors后，对剩下的positiveanchors进行Non-MaximumSuppression运算；
步骤2.6、对于进行了NMS后的positiveanchors按分数从大到小排序，提取前Q个结果作为人脸候选区域positiveproposals。


5.根据权利要求4所述的融合RepGT...

【专利技术属性】
技术研发人员：陈宁，李梦璐，
申请(专利权)人：西安工程大学，
类型：发明
国别省市：陕西;61