一种基于层内多尺度特征增强的人脸检测方法、系统、存储介质及终端技术方案

本发明专利技术公开了一种基于层内多尺度特征增强的人脸检测方法、系统、存储介质及终端，该方法包括：获取待检测的目标图像输入预先训练的人脸检测模型中；对待检测的目标图像进行特征提取操作，生成特征图序列，从特征图序列中选取6个层作为第一分支检测层序列；采用特征金字塔网络将第一分支检测层中相邻不同层的特征图进行特征融合，生成融合后的特征通道集合；采用多尺度增强模块将融合后的特征通道集合中各特征通道进行多尺度增强处理，生成第二分支检测层序列输入到人脸检测模型的头部后得到人脸图像。因此，采用本申请实施例，由于本申请通过多尺度特征增强模块进行增强后，使得人脸检测模型更加关注小脸特征，从而使得人脸检测性能有较大提升，进一步提升了人脸检测精度。

【技术实现步骤摘要】
一种基于层内多尺度特征增强的人脸检测方法、系统、存储介质及终端
本专利技术涉及计算机的深度学习
，特别涉及一种基于层内多尺度特征增强的人脸检测方法、系统、存储介质及终端。
技术介绍
基于深度学习的目标检测任务中，特别是实际场景中广泛应用的人脸检测任务中，对于人脸、小人脸的检测难度很大，面临许多技术挑战，这是因为图片分辨率比较低，图片模糊，背景噪音多。现有的人脸检测方法主要包括传统的图像金字塔和多尺度滑动窗口检测人脸。还包括基于数据扩增方法，通过增加人脸样本数量和种类来提升人脸检测性能；基于特征融合的方法，将高层、低层的多尺度特征融合来提升检测性能；基于锚采样和匹配策略的方法；利用上下文信息的方法等。在基于锚采样和匹配策略的方法中，Pyramidbox网络提出了基于anchor的上下文信息用于监督学习小的、模糊和部分遮挡人脸方法。同时，提出了基于尺度感知的Data-anchor-sampling(DAS)训练策略，以改变训练样本中大、小人脸的分布。DAS方法对小尺度人脸检测效果比较明显，由于这种采样方式会造成不同尺度的人脸数据分布不均衡，使得人脸检测模型的检测性能降低，从而进一步降低了图像中人脸的检测精度。
技术实现思路
本申请实施例提供了一种基于多尺度特征增强的人脸检测方法、系统、存储介质及终端。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。第一方面，本申请实施例提供了一种基于层内多尺度特征增强的人脸检测方法，方法包括：获取待检测的目标图像，并将所述待检测的目标图像输入预先训练的人脸检测模型中；其中，所述人脸检测模型中包括多支路的卷积块、特征金字塔网络以及多尺度增强模块；采用所述卷积块中扩展的VGG16对所述待检测的目标图像进行特征提取操作生成特征图序列，并从所述特征图序列中选取6个层作为第一分支检测层序列；采用所述特征金字塔网络将所述第一分支检测层序列中相邻不同层的特征图进行特征融合，生成融合后的特征通道集合；采用多尺度增强模块将所述融合后的特征通道集合中各特征通道进行多尺度增强处理，生成第二分支检测层序列；将第二分支检测层序列输入到人脸检测模型的SSD目标检测算法头部后，得到检测出的人脸图像。可选的，所述采用多尺度增强模块将所述融合后的特征通道集合中各特征通道进行多尺度增强处理，生成第二分支检测层序列，包括：多尺度增强模块将所述融合后的特征通道集合中各特征通道划分为三组特征通道；多尺度增强模块将所述三组特征通道进行空洞卷积处理生成三组空洞卷积后的特征图序列；多尺度增强模块将所述三组空洞卷积后的特征图序列中各特征图通过1*1卷积参数再次特征融合后生成三组再次卷积的特征图序列；多尺度增强模块将所述三组再次卷积的特征图序列进行拼接处理，生成第二分支检测层序列。可选的，所述多尺度增强模块将所述三组特征通道进行空洞卷积处理生成三组空洞卷积后的特征图序列，包括：多尺度增强模块将所述三组特征通道中的第一组进行空洞卷积处理，生成第一处理结果；多尺度增强模块将所述第一处理结果与所述三组特征通道中的第二组特征通道相加，并将所述相加后的特征通道进行空洞卷积处理，生成第二处理结果；多尺度增强模块将所述第二处理结果与所述三组特征通道中的第三组特征通道相加，并将所述相加后的特征通道进行空洞卷积处理，生成第三处理结果；将所述第一处理结果、第二处理结果以及第三处理结果确定为三组空洞卷积后的特征图序列。可选的，按照以下步骤生成预先训练的人脸检测模型，包括：采用经过扩展的卷积神经网络VGG16创建骨干网络；将第一分支检测层序列、特征金字塔网络以及多尺度增强模块添加至所述创建的骨干网络中，生成人脸检测模型；其中，所述人脸检测模型中包含SSD目标检测算法模块；加载第一分支的检测层序列，并将所述人脸检测模型的骨干网络中的6个层作为第一分支的检测层序列，生成替换后的人脸检测模型；采集带有人脸图像的训练样本，并将所述带有人脸图像的训练样本输入所述替换后的人脸检测模型中的第一分支检测层序列、特征金字塔网络以及多尺度增强模块中进行训练，输出人脸检测模型的渐进锚损失值；当所述人脸检测模型的渐进锚损失值达到预设最小值时，生成训练后的人脸检测模型。可选的，所述将所述带有人脸图像的训练样本输入所述替换后的人脸检测模型中的第一分支检测层序列、特征金字塔网络以及多尺度增强模块中进行训练，输出人脸检测模型的渐进锚损失值，包括：从所述带有人脸图像的训练样本中获取人脸图像输入所述第一分支的检测层序列中，得到原始特征图集合；根据多尺度特征增强模块将所述原始特征图集合中的各原始特征图转换为增强后的特征图集合；将所述增强后的特征图集合中各特征图采用1*1卷积进行处理后，生成卷积后的特征图集合，作为第二分支的检测层序列；基于所述第一分支的检测层序列和所述第二分支的检测层序列计算所述人脸检测模型的渐进锚损失值，并输出所述人脸检测模型的渐进锚损失值。可选的，所述基于所述第一分支的检测层序列和所述第二分支的检测层序列计算所述人脸检测模型的渐进锚损失值，包括：计算所述第一分支的检测层序列对应的渐进锚损失值；计算所述第二分支的检测层序列对应的渐进锚损失值；将所述第一分支的检测层序列对应的渐进锚损失值与所述第二分支的检测层序列对应的渐进锚损失值相加后，生成人脸检测模型的渐进锚损失值。可选的，所述将第二分支检测层序列输入到人脸检测模型的SSD目标检测算法头部后，得到检测出的人脸图像，包括：将所述第二分支检测层序列输入到所述SSD目标检测算法模块的头部后，对检测层上产生的人脸候选框经过分类和边框回归处理后，得到最后的人脸检测结果。第二方面，本申请实施例提供了一种基于层内多尺度特征增强的人脸检测系统，该系统包括：图像输入模块，用于获取待检测的目标图像，并将所述待检测的目标图像输入预先训练的人脸检测模型中；其中，所述人脸检测模型中包括多支路的卷积块、特征金字塔网络以及多尺度增强模块；图像卷积模块，用于采用所述卷积块中扩展的VGG16对所述待检测的目标图像进行特征提取操作生成特征图序列，并从所述特征图序列中选取6个层作为第一分支检测层序列；特征融合模块，用于采用所述特征金字塔网络将所述第一分支检测层序列中相邻不同层的特征图进行特征融合，生成融合后的特征通道集合；多尺度增强模块，用于采用多尺度增强模块将所述融合后的特征通道集合中各特征通道进行多尺度增强处理，生成第二分支检测层序列；人脸输出模块，用于将第二分支检测层序列输入到人脸检测模型的SSD目标检测算法头部后，得到检测出的人脸图像。第三方面，本申请实施例提供一种计算机存本文档来自技高网...

【技术保护点】
1.一种基于层内多尺度特征增强的人脸检测方法，其特征在于，所述方法包括：/n获取待检测的目标图像，并将所述待检测的目标图像输入预先训练的人脸检测模型中；其中，所述人脸检测模型中包括多支路的卷积块、特征金字塔网络以及多尺度增强模块；/n采用所述卷积块中扩展的VGG16对所述待检测的目标图像进行特征提取操作生成特征图序列，并从所述特征图序列中选取6个层作为第一分支检测层序列；/n采用所述特征金字塔网络将所述第一分支检测层序列中相邻不同层的特征图进行特征融合，生成融合后的特征通道集合；/n采用多尺度增强模块将所述融合后的特征通道集合中各特征通道进行多尺度增强处理，生成第二分支检测层序列；/n将第二分支检测层序列输入到人脸检测模型的SSD目标检测算法头部后，得到检测出的人脸图像。/n

【技术特征摘要】
1.一种基于层内多尺度特征增强的人脸检测方法，其特征在于，所述方法包括：
获取待检测的目标图像，并将所述待检测的目标图像输入预先训练的人脸检测模型中；其中，所述人脸检测模型中包括多支路的卷积块、特征金字塔网络以及多尺度增强模块；
采用所述卷积块中扩展的VGG16对所述待检测的目标图像进行特征提取操作生成特征图序列，并从所述特征图序列中选取6个层作为第一分支检测层序列；
采用所述特征金字塔网络将所述第一分支检测层序列中相邻不同层的特征图进行特征融合，生成融合后的特征通道集合；
采用多尺度增强模块将所述融合后的特征通道集合中各特征通道进行多尺度增强处理，生成第二分支检测层序列；
将第二分支检测层序列输入到人脸检测模型的SSD目标检测算法头部后，得到检测出的人脸图像。


2.根据权利要求1所述的方法，其特征在于，所述采用多尺度增强模块将所述融合后的特征通道集合中各特征通道进行多尺度增强处理，生成第二分支检测层序列，包括：
多尺度增强模块将所述融合后的特征通道集合中各特征通道划分为三组特征通道；
多尺度增强模块将所述三组特征通道进行空洞卷积处理生成三组空洞卷积后的特征图序列；
多尺度增强模块将所述三组空洞卷积后的特征图序列中各特征图通过1*1卷积参数再次特征融合后生成三组再次卷积的特征图序列；
多尺度增强模块将所述三组再次卷积的特征图序列进行拼接处理，生成第二分支检测层序列。


3.根据权利要求2所述的方法，其特征在于，所述多尺度增强模块将所述三组特征通道进行空洞卷积处理生成三组空洞卷积后的特征图序列，包括：
多尺度增强模块将所述三组特征通道中的第一组进行空洞卷积处理，生成第一处理结果；
多尺度增强模块将所述第一处理结果与所述三组特征通道中的第二组特征通道相加，并将所述相加后的特征通道进行空洞卷积处理，生成第二处理结果；
多尺度增强模块将所述第二处理结果与所述三组特征通道中的第三组特征通道相加，并将所述相加后的特征通道进行空洞卷积处理，生成第三处理结果；
将所述第一处理结果、第二处理结果以及第三处理结果确定为三组空洞卷积后的特征图序列。


4.根据权利要求1所述的方法，其特征在于，按照以下步骤生成预先训练的人脸检测模型，包括：
采用经过扩展的卷积神经网络VGG16创建骨干网络；
将第一分支检测层序列、特征金字塔网络以及多尺度增强模块添加至所述创建的骨干网络中，生成人脸检测模型；其中，所述人脸检测模型中包含SSD目标检测算法模块；
加载第一分支的检测层序列，并将所述人脸检测模型的骨干网络中的6个层作为第一分支的检测层序列，生成替换后的人脸检测模型；
采集带有人脸图像的训练样本，并将所述带有人脸图像的训练样本输入所述替换后的人脸检测模型中的第一分支检测层序列、特征金字塔网络以及多尺度增强模块中进行训练，输出人脸检测模型的渐进锚损失值；
当所述人脸检测模型的渐进锚损失值达到预设最小值时，生成...

【专利技术属性】
技术研发人员：赵磊，
申请(专利权)人：特斯联科技集团有限公司，
类型：发明
国别省市：北京;11