一种基于小型辅助网络的人脸检测算法制造技术

本发明专利技术公开了一种基于小型辅助网络的人脸检测算法，在已有的人脸检测网络基础上，针对特征提取网络，增加根据其网络结构设计出的小型辅助网络，在使用人脸检测数据集训练网络时，使得该辅助网络可以根据检测任务的特点进行从零训练，并使用该辅助网络对应层的特征对主网络特征图进行补充。主网络特征图进行补充。主网络特征图进行补充。

【技术实现步骤摘要】
一种基于小型辅助网络的人脸检测算法


[0001]本专利技术属于计算机视觉
，尤其涉及一种基于小型辅助网络进行人脸检测的算法。

技术介绍

[0002]人脸检测是大部分人脸相关任务，如人脸识别、跟踪、关键点检测等，不可缺少的步骤，在日常生活以及安保领域都有着广泛的应用。
[0003]从概念上来讲，人脸检测是目标检测的一种特殊情形，即只针对人脸进行检测，是一个二分类问题，包括分类和定位两个子任务。基于这一点，目标检测的基本框架也可以用于人脸检测。通常检测框架主要包括两个部分，特征提取模块和检测模块。特征提取模块首先对输入图像进行卷积池化等操作，提取对检测有用的特征。检测模块针对两个子任务，进行分类和位置回归。
[0004]检测任务有着多尺度的特点，即在一张图片中，物体尺度可能变化较大，所以检测中通常采用多层特征图，浅层特征特征图检测小尺度目标，深层特征图由于感受野较大，用来检测较大尺度目标。但是考虑到网络的特点，即深层特征包含对分类有益的高级语义信息，浅层特征中语义信息少，所以通常在检测模块中加入Feature Pyramid 本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于小型辅助网络的人脸检测算法，其特征在于，包括以下步骤：S1：在特征提取网络中，同时使用主网络即Mnet和辅助网络即Anet，其中，Anet是根据Mnet设计出的小型特征辅助网络，用于对Mnet产生的浅层特征进行信息补充；Mnet和Anet融合之后得到多层特征；S2：将步骤S1中Mnet和Anet融合之后得到多层特征通过特征金字塔网络FPN进行有机融合，增加浅层特征中的高级语义信息，扩大浅层特征感受野；S3：步骤S2输出的多层特征分别进行分类和定位。2.根据权利要求1所述的一种基于小型辅助网络的人脸检测算法，其特征在于，所述步骤S1中的所述辅助网络与所述主网络的步长相同，所述辅助网络只对所述主网络的前三层特征进行补充，所述辅助网络与所述主网络的结构相似，学习能力相匹配。3.根据权利要求1或2所述的一种基于小型辅助网络的人脸检测算法，其特征在于，所述主网络为MobileNet V2，最后一层为在MobileNet V2的基础上增加的3x3卷积额外层，步长为2，用来生成10x10大小的特征图；MobileNet V2为InvertedResidual模块堆叠，主网络使用大小分别为160x160，80x80，40x40，20x20，10x10的特征图c2,c3,c4,c5,c6，对应步长分别为4，8，16，32，64；在辅助网络中，使用InvertedResidual模块堆叠，采用和MobileNet V2中相同大小且步长为2的卷积操作，随后使用步长为2的深度可分离卷积进行下采样，生成与特征图c2,c3,c4大小对应相等的特征图c2
′
,c3
′
,c4
′
；对应特征图相加即c2+c2
′
,c3+c3
′
，c4+c4
′
，实现对特征图c2,c3,c4的信息补充，增加其所含的有效信息量。4.根据权利要求1或2所述的一种基于小型辅助网络的人脸检测算法，其特征在于，所述步骤S1中的主网络为Resnet50，网络结构中使用的是BottleNeck，使用特征s2,s3,s4,s5,s6用于后续的特征融合；辅助网络中使用3x3卷积提取特征，用Anet(Resnet50)-conv表示使用3x3卷积的辅助网络，在Anet(Resnet50)-conv中首先使用大小为7x7，步长为2的卷积以及步长为2的最大池化对输入图片进行下采样处理，再使用两个大小为3x3，步长为1的卷积，生成和特征s2大...

【专利技术属性】
技术研发人员：刘庆杰，马田瑶，王蕴红，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：