【技术实现步骤摘要】
Dense Face Localisation inthe Wild;CenterFace:Joint Face Detection and Alignment Using Faceas Point。
技术实现思路
[0011]本专利技术旨在解决以上现有技术的问题。提出了一种基于改进YOLOv5的实时小人脸检测方法。本专利技术的技术方案如下:
[0012]一种基于改进YOLOv5的实时小人脸检测方法,其包括以下步骤:
[0013]步骤1:将人脸数据集划分为训练集和测试集,对训练集进行包括以下预处理:数据集的清洗:检查数据集中的图片和标签文件是否完整,否则删除多余的图片和标签文件,同时将长宽比太小的锚框删除,并且在删除后,检查下是否存在空的标注文件,如果有,也删除;根据Kmeans聚类算法得到自适应锚框;
[0014]步骤2:基于YOLOv5的小人脸检测模型,引入SK选择性卷积核注意力,通过动态计算每个卷积核得到通道的权重,动态的将各个卷积核的结果进行融合;
[0015]步骤3:设计小人脸特征增强模块,小人脸特征增强模块是:在第17层后,继续对特征图进行上采样处理,使得特征图继续扩大,同时第20层获取到的特征图与第2层的特征图进行融合(concat),以获得更大的特征图进行小目标的检测,将特征图进行上采样处理,使得特征图继续扩大,同时将浅层特征图与深层特征图进行融合;
[0016]步骤4:采用YOLOv5模型,并将主干特征提取网络C3替换为ShuffleNetV2网络;
[0017]步骤5:将训练 ...
【技术保护点】
【技术特征摘要】
1.一种基于改进YOLOv5的实时小人脸检测方法,其特征在于,包括以下步骤:步骤1:将人脸数据集划分为训练集和测试集,对训练集进行包括以下预处理:数据集的清洗:检查数据集中的图片和标签文件是否完整,否则删除多余的图片和标签文件,同时将长宽比太小的锚框删除,并且在删除后,检查下是否存在空的标注文件,如果有,也删除;根据Kmeans聚类算法得到自适应锚框;步骤2:基于YOLOv5的小人脸检测模型,引入SK选择性卷积核注意力,通过动态计算每个卷积核得到通道的权重,动态的将各个卷积核的结果进行融合;步骤3:设计小人脸特征增强模块,小人脸特征增强模块是:在第17层后,继续对特征图进行上采样处理,使得特征图继续扩大,同时第20层获取到的特征图与第2层的特征图进行融合(concat),以获得更大的特征图进行小目标的检测,将特征图进行上采样处理,使得特征图继续扩大,同时将浅层特征图与深层特征图进行融合;步骤4:采用YOLOv5模型,并将主干特征提取网络C3替换为ShuffleNetV2网络;步骤5:将训练好的小人脸检测深度学习模型应用于真实场景的小人脸检测。2.根据权利要求1所述的一种基于改进YOLOv5的实时小人脸检测方法,其特征在于,所述步骤1:将人脸数据集划分为训练集和测试集,对训练集进行预处理,根据聚类算法得到自适应锚框,具体包含以下步骤:A1、对训练集中的图片数据进行数据增强,通过平移、旋转、改变图片的宽高比、调整饱和度在内的操作,增加样本数据;A2、通过聚类算法,对训练集中的真实锚框进行聚类分析,得到精确的锚框作为小人脸检测网络的预定值。3.根据权利要求2所述的一种基于改进YOLOv5的实时小人脸检测方法,其特征在于,所述A2、通过聚类算法,对训练集中的真实锚框进行聚类分析,得到精确的锚框作为小人脸检测网络的预定值,具体包括:yolov5生成anchors中不仅仅使用了k
‑
means聚类,还使用了Genetic Algorithm遗传算法,在k
‑
means聚类的结果上进行mutation变异。1.读取训练集中每张图片的宽高以及所有锚框的宽高2.将每张图片中宽高的最大值等比例缩放到指定大小img_size3.将锚框从相对坐标改成绝对坐标(乘以缩放后的宽高)4.筛选锚框,保留宽高都大于等于两个像素的锚框5.使用k
‑
means聚类得到n个锚框(掉k
‑
means包涉及一个白化操作)6.使用遗传算法随机对锚框的宽高进行变异,如果变异后效果变得更好,就将变异后的结果赋值给锚框,如果变异后效果变差就跳过,默认变异1000次7.将最终变异得到的锚框返回。4.根据权利要求1所述的一种基于改进YOLOv5的实时小人脸检测方法,其特征在于,所述步骤2:基于YOLOv5的小人脸检测模型,引入SK注意力,通过动态计算每个卷积核得到通道的权重,动态的将各个卷积核的结果进行融合,具体包括以下步骤:B1、对于任何给定的特征图X∈R
H
【专利技术属性】
技术研发人员:周丽芳,刘波,李伟生,马将凯,卢峻民,
申请(专利权)人:重庆邮电大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。