一种基于深度级联卷积神经网络的快速人脸检测方法.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CN109190442A(43)申请公布日2019.01.11(21)申请号201810668102.9(22)申请日2018.06.26(71)申请人杭州雄迈集成电路技术有限公司地址311422浙江省杭州市富阳区银湖街道富闲路9号银湖创新中心9号楼四层(72)发明人杨波(74)专利代理机构浙江纳祺律师事务所33257代理人郑满玉(51)Int.Cl.G06K9/00(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书1页说明书4页附图2页(54)发明名称一种基于深度级联卷积神经网络的快速人脸检测方法(57)摘要本发明公开的是一种基于深度级联卷积神经网络的快速人脸检测方法，包括创建人脸数据集、组建深度级联卷积神经网络、测试网络模型，使用正负样本组成训练集和验证集，以训练所述深度级联卷积神经网络进行深度学习，在所述深度学习过程中加入性别分类辅助任务，同时采取微调训练；同时对训练方法和网络结构进行优化；本发明基于深度级联卷积神经网络，通过对卷积层的优化改进增加网络深度，并且改进级联网络的级联方式，从而大大降低了网络的计算量，提高了检测速度，同时引入辅助任务训练和微调训练阶段的在线难负样本挖掘方法，提高了网络的分类准确率，降低了误检率，能保证该方法在实际应用中的检测速度和准确率。CN109190442ACN109190442A权利要求书1/1页1.一种基于深度级联卷积神经网络的快速人脸检测方法，包括创建人脸数据集、组建深度级联卷积神经网络、测试网络模型，其特征在于：所述人脸数据集对人脸图像进行标注，使用多级金字塔缩放方法对人脸图像进行窗口滑动，将窗口与人脸矩形框的图像交并比IOU大于等于0.7的窗口图像设置为正样本，图像交并比IOU小于0.3的窗口图像设置为负样本，使用正负样本组成训练集和验证集，以训练所述深度级联卷积神经网络进行深度学习，在所述深度学习过程中加入性别分类辅助任务，同时采取微调训练；所述深度级联卷积神经网络包括至少三级级联卷积网络，第一级网络特征层和第二级网络特征层进行级联，第三级网络为单独网络并不和第二级网络级联，所述每一级网络都为全卷积网络包括多个卷积层和池化层，所述卷积层包括两个1x1的卷积层和一个3x3的卷积层。2.根据权利要求1所述的一种基于深度级联卷积神经网络的快速人脸检测方法，其特征在于：所述深度级联卷积神经网络为三级全卷积网络，其中：第一级卷积神经网络采用12x12x3大小的图像作为输入，由48x48x3的图像进行两次2x2的均值池化得到，其最后一个特征层的大小为1x1x20，其后使用不同的1x1的卷积层作为不同任务的输出层；第二级卷积神经网络采用24x24x3大小的图像作为输入，由48x48x3的图像进行一次2x2的均值池化得到，其最后一个特征层的大小为1x1x144，再将该特征层和第一级网络特征层进行级联，形成1x1x164大小的级联层作为联合特征层，其后使用不同的1x1的卷积层作为不同任务的输出层；第三级卷积神经网络采用48x48x3大小的图像作为输入，其最后一个特征层的大小为1x1x512，其后使用不同的1x1的卷积层作为不同任务的输出层。3.根据权利要求2所述的一种基于深度级联卷积神经网络的快速人脸检测方法，其特征在于：每一级网络的最后一个卷积层为特征层，其后并使用1x1的卷积层代替全连接层作为输出层。4.根据权利要求1所述的一种基于深度级联卷积神经网络的快速人脸检测方法，其特征在于：所述微调训练采用在线难负样本挖掘方法，在每个批次处理训练梯度更新时，对各个样本的损失值进行递减排序，只对前设定阈值比例的样本进行梯度更新，忽略损失值低的简单负样本。5.根据权利要求1所述的一种基于深度级联卷积神经网络的快速人脸检测方法，其特征在于：在深度学习阶段，人脸分类和性别属性分类任务采用交叉熵损失函数，人脸区域位置回归采用平滑损失函数SmoothL1Loss，总的损失函数为各个任务的损失函数通过不同的权重加权求和，其中性别属性分类任务属于辅助任务，其损失函数在各级网络总损失函数中的权重并不相同。6.根据权利要求5所述的一种基于深度级联卷积神经网络的快速人脸检测方法，其特征在于：人脸分类为三分类，性别属性分类为二分类。7.根据权利要求1所述的一种基于深度级联卷积神经网络的快速人脸检测方法，其特征在于：所述人脸数据集对人脸图像进行标注包括人脸矩形框坐标、性别属性。2CN109190442A说明书1/4页一种基于深度级联卷积神经网络的快速人脸检测方法技术领域[0001]本发明涉及人脸检测领域，特别地，涉及一种基于深度级联卷积神经网络的快速人脸检测方法。背景技术[0002]人脸检测(Facedet