一种实时高精度人脸快速检测方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN107609464A(43)申请公布日2018.01.19(21)申请号201710605661.0(22)申请日2017.07.24(71)申请人南京邮电大学地址210000江苏省南京市新模范马路66号(72)发明人李晓飞刘佳雯韩光(74)专利代理机构南京经纬专利商标代理有限公司32200代理人朱桢荣(51)Int.Cl.G06K9/00(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书4页附图1页(54)发明名称一种实时高精度人脸快速检测方法(57)摘要本发明公开了一种实时高精度人脸快速检测方法，属于图像处理目标检测技术领域。基于Boosting算法和卷积神经网络相结合，利用了卷积神经网络能够在滤除环境噪声的同时很好的提取人脸特征的能力，使得可以快速清除图像中的噪声区域保留图像中有用信息部分，大大加快了人脸检测算法的速度，同时融合Boosing算法和设计的特征算法构建的高精度的分类器，对卷积神经网络得到的特征图进行处理，可以快速且准确的获取图像中人脸的具体位置。本发明提供了一种新型，鲁棒，高精度的人脸快速检测方法，在人脸检测领域提供了一种全新的思路，具有非常高的实用价值和发展前景。CN107609464ACN107609464A权利要求书1/2页1.一种实时高精度人脸快速检测方法，其特征在于，包括以下步骤：步骤A、设计基于人脸分类的卷积神经网络模型BFCNN；步骤B、采用交占比IOU，从公开的人脸数据库中的图像Iraw中，获取正负样本作为人脸训练集Itrain；步骤C、对步骤A中设计的BFCNN，利用步骤B中得到的人脸训练集Itrain来进行分类训练，训练完成后，得到训练好的BFCNN网络的中间特征层LO，从LO中选取能够滤除环境噪声并能提取人脸特征的卷积输出层，卷积输出层输出特征图Lfeature；步骤D、设计符合检测人脸的中心对称向量特征算子CSVCO，CSVCO能够利用特征图Lfeature中的空间拓扑关系来反映图像中人脸的特征描述；步骤E、设计多个图像输入维度在预设像素区域间的、由小卷积核重叠构成的全卷积神经网络分类器MMKSFCN；步骤F、利用步骤D和步骤E中设计的中心对称向量特征算子CSVCO和多个全卷积神经网络分类器MMKSFCN，依赖于步骤B、步骤C中分别获得的人脸训练集Itrain和Lfeature的空间对应关系，获取到用来训练Boosting算法的训练集Iboosting，利用CSVCO和MMKSFCN来构建多个弱分类器CLASSIFIERweakly；步骤G、使用Boosting算法来融合步骤F中构建的多个弱分类器CLASSIFIERweakly，构建强分类器CLASSIFIERpowerful，利用CLASSIFIERpowerful实现人脸检测。2.根据权利要求1所述的一种实时高精度人脸快速检测方法，其特征在于，小卷积核的大小为1或者3。3.根据权利要求1所述的一种实时高精度人脸快速检测方法，其特征在于，所述步骤A中设计基于人脸分类的卷积神经网络模型BFCNN的详细架构如下:步骤A.1、设计的BFCNN总共包含分别接受图像的R、G、B分量的图像三通道输入；BFCNN总共包含12层；步骤A.2、前6层为连续的卷积层，每一层得到输出通道数分别为16、24、32、48、64、20，第六层采用了稠密连接，第六层允许前五个卷积层的跨层连接；在卷积的过程中，限制了每一层输出的维度都是输入图像的尺度；前6层是用来提取三通道输入的人脸特征同时滤除噪声；步骤A.3、第7到第10层是降维层，能够使前6层中提取到的特征保留，并且去除冗余信息，最后两层分别为128个隐藏单元的全连接层和softmax输出层。4.根据权利要求1所述的一种实时高精度人脸快速检测方法，其特征在于，所述步骤B具体如下：在公开的人脸数据库中的图像Iraw上取随机224*224大小的图像切片作为源样本Sample，源样本Sample与标注的人脸标注框boundingbox相交部分的面积占二者合集的比例为交占比IOU，以IOU来判断正负样本，当IOU大于0.65时候，标注为正样本，当IOU小于0.35时为负样本，正负样本作为人脸训练集Itrain。5.根据权利要求1所述的一种实时高精度人脸快速检测方法，其特征在于，所述CSVCO是以中心对称的两个相同的几何图形作为基本模型，其中一个几何图形中所有位置的系数全部为+1，另外一个全部为-1，计算CSVCO与特征图Lfeature重叠部分的累乘和SumCSVCO，SumCSVCO能够反映特征图Lfeature中的空间拓扑关系。6.根据权利要求1所述的一种实时高精度人脸快速检测方