一种基于卷积神经网络的密集小型人脸检测方法及系统技术方案

本发明专利技术公开了一种基于卷积神经网络的密集小型人脸检测方法，包括采集图片数据集并标注人脸数据，对图片数据集进行预处理，增加图片中小型人脸的数量；对网络结构进行设计，具体为以

【技术实现步骤摘要】
一种基于卷积神经网络的密集小型人脸检测方法及系统


[0001]本专利技术涉及图像处理
，特别是一种基于卷积神经网络的密集小型人脸检测方法及系统
。

技术介绍

[0002]人脸检测是目标检测中的一个种类，人脸检测其主要任务是判断给定的人脸图像上是否存在人脸，如果存在人脸，则给出人脸所处的位置和置信度分数的大小
。
在我们的大脑中，有专门的人脸检测模块，可以看出它的重要性；处于社会生活的需要，人脸检测也变得越加重要，人脸检测是人脸图像分析的一系列应用的基础，优秀的人脸检测算法稍加改动就可以应用到：人脸识别和验证，监控场合的人脸跟踪，面部表情分析，面部属性识别等方面，同时，人脸检测是所有现代基于视觉的人与电脑，人与机器的交互系统的初始步骤，而且，现如今很多的社交网络中也用人脸检测机制实现人物标记，当下最火的自动驾驶技术，也少不了人脸检测技术的应用
。
由此可以看出，在日新月异的今天，人脸检测这项技术会越来越重要
。
[0003]密集小型人脸检测是一项具有挑战的任务，目前小型人脸检测有以下痛本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于卷积神经网络的密集小型人脸检测方法，其特征在于：包括，采集图片数据集并标注人脸数据，对图片数据集进行预处理，增加图片中小型人脸的数量；对网络结构进行设计，具体为以
Mobilenet V3
为基础，引入
Ghost
卷积和
Leaky Relu
激活函数对骨干网络进行改进；将
SPP
模块
、FPN
和
PAN
结合以加强第一层特征提取网络；对于第二层特征提取网络，采用
SSH
模块，从全局观察特征，进行上下文特征的融合；输出有效特征层；根据所述有效特征层获取预测结果，训练网络最终实现对人脸的有效检测；所述预测结果包括分类预测结果
、
框的回归预测结果和人脸关键点的回归预测结果
。2.
如权利要求1所述的基于卷积神经网络的密集小型人脸检测方法，其特征在于：所述人脸数据包括模糊程度
、
表情
、
光照
、
遮挡，以及姿态；所述对图片数据集进行预处理具体为将所述数据集根据一定比例划分为训练集
、
验证集和测试集，并对其中一部分图片进行随机裁剪和拼接，进行
copy pasting
，目的是增加图片中小型人脸的数量，并在训练集中对人脸进行真实框的标注，以及人脸关键点的标注，所述人脸关键点包括人的双眼
、
嘴角的两端和鼻尖上
。3.
如权利要求2所述的基于卷积神经网络的密集小型人脸检测方法，其特征在于：所述
Mobilenet V3
的核心是
bneck
模块，所述
bneck
模块包括
1*1
卷积模块
、
深度可分离卷积模块和深度可分离中加入的通道注意力机制模块；所述引入
Ghost
卷积和
Leaky Relu
激活函数对骨干网络进行改进包括将原本的
bneck
结构中头部的
1*1
卷积和深度可分离模块中的
1*1
卷积，也即尾部，变为
Ghost
卷积；将原本深度可分离卷积模块中的
Relu
激活改进为
Leaky Relu
激活函数
。4.
如权利要求3所述的基于卷积神经网络的密集小型人脸检测方法，其特征在于：所述将
SPP
模块
、FPN
和
PAN
结合以加强特征提取网络包括在
FPN
进行之前，添加一个
SPP
模块，头尾是两个
3*3
卷积，中间分别的
5*5、9*9
和
13*13
的三种最大池化的特征通道数量的融合
。5.
如权利要求4所述的基于卷积神经网络的密集小型人脸检测方法，其特征在于：所述采用
SSH
模块，从全局观察...

【专利技术属性】
技术研发人员：李博洋，葛琦，王耀庆，王科，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：