一种基于深度学习的SSD人脸检测方法技术

本发明专利技术公开了一种基于深度学习的SSD人脸检测方法，包括，基于深度卷积神经网络对待测人脸数据进行候选框提取、目标检测和边界框回归任务；利用SSD策略将目标Bounding Box回归任务的输出空间离散化为先验框，并在每个检测层分别设置每个位置对应的多种宽高比和尺寸的先验框；深度卷积神经网络根据先验框生成待测人脸的置信度，且对先验框的位置进行修正；结合SSD策略对修正后的位置进行不同分辨率的多个特征图检测，获得最终的检测结果。本发明专利技术提供的SSD策略增加了检测层数据之间的差异性，通过数据增强提高模型的泛化能力和鲁棒性，并解决了难负样本挖掘的问题，实现了平衡训练集类别分布的目的，且提高了小脸检测的精度和效率。

【技术实现步骤摘要】
一种基于深度学习的SSD人脸检测方法
本专利技术涉及人脸检测的
，尤其涉及一种基于深度学习的SSD人脸检测方法。
技术介绍
传统基于滑动窗口的VJ等人脸检测算法使用级联AdaBoost的策略进行人脸区域筛选和人脸检测，由于这类模型参数量和特征较少且计算简单，因此可以达到实时检测的要求。但是由于传统模型使用的人工设计特征存在稳定性差、特征少等缺陷，使得传统算法无法做到人脸的多样性检测，难以检测到模糊、遮挡人脸，因此传统算法检测精度不理想。R-CNN系列算法是基于卷积神经网络的两阶段通用目标检测算法，这类算法使用可自主学习的CNN进行图像特征提取。卷积神经网络具有良好的尺度不变性、平移不变性和非线性表达能力，且可以通过数据学习人脸的多样性特征，因此，该系列算法具有较好的人脸检测精度。但是由于R-CNN系列算法固有的检测机制缺陷、卷积神经网络庞大的参数量和计算量使得R-CNN系列算法检测速度很慢，即使最快速的FasterR-CNN也无法达到实时检测的要求。本专利技术所使用的SSD算法是基于深度学习的一阶段目标检测算法，该算法只使用一个深本文档来自技高网...

【技术保护点】
1.一种基于深度学习的SSD人脸检测方法，其特征在于：包括，/n基于深度卷积神经网络对待测人脸数据进行候选框提取、目标检测和边界框回归任务；/n利用SSD策略将目标Bounding Box回归任务的输出空间离散化为先验框，并在每个检测层分别设置每个位置对应的多种宽高比和尺寸的所述先验框；/n所述深度卷积神经网络根据所述先验框生成所述待测人脸的置信度，且对所述先验框的位置进行修正；/n结合所述SSD策略对修正后的所述位置进行不同分辨率的多个特征图检测，获得最终的检测结果。/n

【技术特征摘要】
1.一种基于深度学习的SSD人脸检测方法，其特征在于：包括，
基于深度卷积神经网络对待测人脸数据进行候选框提取、目标检测和边界框回归任务；
利用SSD策略将目标BoundingBox回归任务的输出空间离散化为先验框，并在每个检测层分别设置每个位置对应的多种宽高比和尺寸的所述先验框；
所述深度卷积神经网络根据所述先验框生成所述待测人脸的置信度，且对所述先验框的位置进行修正；
结合所述SSD策略对修正后的所述位置进行不同分辨率的多个特征图检测，获得最终的检测结果。


2.根据权利要求1所述的基于深度学习的SSD人脸检测方法，其特征在于：所述深度卷积神经网络包括，卷积层、池化层和全连接层。


3.根据权利要求1或2所述的基于深度学习的SSD人脸检测方法，其特征在于：所述SSD策略采用SSD网络，其包括，
将VGG16作为BackBone，分别利用1024个3*3卷积核的卷积层Conv6和卷积层Conv7替换所述VGG16的第六个全连接层和第七个全连接层；
将pool5池化层调整为步长为1的3*3池化。


4.根据权利要求3所述的基于深度学习的SSD人脸检测方法，其特征在于：还包括，
所述SSD网络移除了所述VGG16的dropout层和fc8层，分别添加了block8、block9、block10和block11四个卷积块；
将所述卷积块的输出特征图作为检测层，在所述特征图上设置不同的所述先验框进行人脸判别。


5.根据权利要求4所述的基于深度学习的SSD人脸检测方法，其特征在于：所述先验框包括输出一个独立的向量，其元素包括，边界框的位置信息和判别所述先验框为人脸或背景的所述置信度。


6.根据权利要求1或5所述的基于深度学习的SSD人脸检测方法，其特征在于：所述修正包括，利用非极大值抑制消除多余的所述先验框，找到最佳的人脸检测位置。


7.根据...

【专利技术属性】
技术研发人员：王智文，安晓宁，王宇航，
申请(专利权)人：广西科技大学，
类型：发明
国别省市：广西;45