基于改进制造技术

本发明专利技术涉及图像处理技术领域，尤其涉及基于改进

【技术实现步骤摘要】
基于改进YOLOv5s的人脸检测方法及系统


[0001]本专利技术涉及图像处理
，尤其涉及基于改进
YOLOv5s
的人脸检测方法及系统
。

技术介绍

[0002]人脸检测是人脸图像分析应用的基础，涵盖了人脸识别和验证
、
基于人脸的目标跟踪以及人脸表情分析等应用
。
随着深度学习的应用，人脸检测取得了重要的突破
。
尽管在受控环境下，人脸检测模型已经达到了很高的准确度，但在无约束环境下仍然面临着许多挑战
。
无约束环境中比如商场
、
机场
、
车站等环境的人脸通常存在的密集程度
、
人脸尺寸变化范围大
、
人脸被部分遮挡
、
光照变化等因素对检测精度产生较大影响，现有的检测方法还有提升空间
。
[0003]为了解决上述问题，许多研究人员在模型结构方面提出了许多特殊的人脸检测方法，就需要更大规模的卷积神经网络，神经网络层数的增加自然会加载更多的参数以及大量的矩阵运算，这使得整个算法和系统变得越来越复杂，参数量随之也变得越来越大
。
难以保证在提高人脸检测精度的前提下，检测速度也能匹配上真实场景下的使用
。

技术实现思路

[0004]针对现有方法的不足，本专利技术解决现有方法网络参数多，检测速度低的问题
。
[0005]本专利技术所采用的技术方案是：基于改进
YOLOv5s
的人脸检测方法包括以下步骤：
[0006]步骤一
、
采集人脸图像数据，并对人脸图像进行数据增强；
[0007]进一步的，数据增强包括：平移
、
旋转
、
缩放
、
翻转
、
随机裁剪
、
调整图像的色调
、
曝光度和饱和度
。
[0008]步骤二
、
搭建
FasterNet
主干特征提取网络，将训练集图像输入
FasterNet
主干特征提取网络生成具有不同深度信息的初始特征；
[0009]进一步的，
FasterNet
主干特征提取网络包括：由
CBS
和
FasterNet Block
构成的
CBS
‑
FasterNet
模块，四个
CBS
‑
FasterNet
模块级联，第四
CBS
‑
FasterNet
模块与
SPPF
和
CBS
模块连接后输出上采样
。
[0010]步骤三
、
利用特征增强模块将主干中部分浅层特征图与经过上采样后的深层特征图经
concat
输出融合特征；
[0011]进一步的，步骤三具体包括：
[0012]步骤
31、
在第
11
层对特征
P2层获得的特征图先进行大小1×
1、
步长为1的
CBS
卷积提升通道维度；接着在第
12
层使用大小3×
3、
步长为2的
CBS
卷积，进行特征图的压缩；与来自特征
P3所在层提取到的特征和第
10
层经过上采样提取的特征进行三个特征层的
concat
，得到特征图
Q1；
[0013]步骤
32、
在第
17
层对特征
P1层获得的特征图先进行大小1×
1、
步长为1的
CBS
卷积提升通道维度；接着在第
18
层使用大小3×
3、
步长为2的
CBS
卷积，进行特征图的压缩；与来
自特征
P2所在层提取到的特征和第
16
层经过上采样提取的特征进行三个特征层的
concat
，得到特征图
Q2。
[0014]步骤四
、
利用
C3_NAM
模块替代
BottleNeck
层的
C3
模块，抑制面部低权重特征，从而提高面部关键点信息的权重；
[0015]进一步的，步骤四具体包括：
[0016]利用三个
C3_NAM
模块对输出特征
Q2、Q3、Q4按照
BN
比例因子进行权重分配，生成带有权重特征信息的
BQ2、BQ3、BQ4；
[0017]进一步的，
BN
比例因子的公式：
[0018][0019]其中，
μ
B
为均值，
σ
B
为标准差，
γ
和
β
是可训练的仿射变换参数，
∈
为误差补偿，
B
in
为输入特征
。
[0020]进一步的，基于改进
YOLOv5s
的人脸检测系统，包括：存储器，用于存储可由处理器执行的指令；处理器，用于执行指令以实现基于改进
YOLOv5s
的人脸检测方法
。
[0021]进一步的，存储有计算机程序代码的计算机可读介质，计算机程序代码在由处理器执行时实现基于改进
YOLOv5s
的人脸检测方法
。
[0022]本专利技术的有益效果：
[0023]1、
通过搭建
FasterNet
特征提取网络实现模型的轻量化，解决模型参数量较大的问题；
[0024]2、
将主干部分浅特征与
Neck
部分深层次特征融合，实现局部信息跨通道交互，提升人脸检测性能，在复杂条件下依然有较高的准确率；
[0025]3、
通过归一化注意力机制抑制不太显著的特征信息，提高人脸细节特征信息的权重，缓解因模型参数量降低导致人脸检测精度下降过多的问题；
[0026]4、
本专利技术方法应用在各种复杂环境下的人脸预测，包括密集
、
遮挡
、
弱光等环境
。
附图说明
[0027]图1是本专利技术的改进
YOLOv5s
网络结构图；
[0028]图2是本专利技术
FasterNet Block
结构图；
[0029]图3是本专利技术
NAM
注意力机制与特征权重融合示意图图；
[0030]图4是本专利技术
C3_NAM
结构图；
[0031]图5是本专利技术检测的整体实验效本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于改进
YOLOv5s
的人脸检测方法，其特征在于，包括以下步骤：步骤一
、
采集人脸图像数据，并对人脸图像进行数据增强；步骤二
、
搭建
FasterNet
主干特征提取网络，将训练集图像输入
FasterNet
主干特征提取网络生成具有不同深度信息的初始特征；步骤三
、
利用特征增强模块将主干中部分浅层特征图与经过上采样后的深层特征图经
concat
输出融合特征；步骤四
、
利用
C3_NAM
模块替代
BottleNeck
层的
C3
模块，抑制面部低权重特征，提高面部关键点信息的权重
。2.
根据权利要求1所述的基于改进
YOLOv5s
的人脸检测方法，其特征在于，数据增强包括：平移
、
旋转
、
缩放
、
翻转
、
随机裁剪
、
调整图像色调
、
曝光度和饱和度
。3.
根据权利要求1所述的基于改进
YOLOv5s
的人脸检测方法，其特征在于，
FasterNet
主干特征提取网络包括：由
CBS
和
FasterNet Block
构成的
CBS
‑
FasterNet
模块，四个
CBS
‑
FasterNet
模块级联，第四
CBS
‑
FasterNet
模块与
SPPF
和
CBS
模块连接后输出上采样
。4.
根据权利要求1所述的基于改进
YOLOv5s
的人脸检测方法，其特征在于，步骤三具体包括：步骤
31、
在第
11
层对特征
P2层获得的特征图先进行大小1×
1、
步长为1的
C...

【专利技术属性】
技术研发人员：陈从平，陆洋，吴伟鹏，刘雅玄，陈奔，严转红，
申请(专利权)人：常州大学，
类型：发明
国别省市：