[发明专利]一种基于深度学习的实时人脸检测方法及系统

权利要求书

1.一种基于深度学习的实时人脸检测方法，其特征是，包括以下步骤：

步骤S10：构建人脸数据库，并设计用于人脸检测的卷积神经网络；

步骤S20：利用人脸数据库对卷积神经网络进行训练，得到最优卷积神经网络，利用最优的卷积神经对人脸数据库的人脸数据进行特征提取，取得人脸特征；

步骤S30：构建Storm的拓扑结构，所述Storm的拓扑结构包括若干个数据源输入组件spout；每个数据源输入组件spout分别与若干个数据处理组件bolt连接；

在以数据源输入组件spout为父节点的数据处理组件bolt上分别布置训练好的最优卷积神经网络，且所有数据处理组件bolt具有相同的子节点；所述相同的字节点用于将检测到的人脸区域坐标在检测图像上进行标注和返回检测结果；

步骤S40：数据源输入组件spout将采集的待检测的人脸图像实时视频流分发给各个数据处理组件bolt，每个数据处理组件bolt通过预先布置的最优卷积神经网络进行人脸部位识别、通过分类器对识别的结果进行人脸/非人脸分类、将人脸部位通过最优卷积神经网络进行边界框回归并得出人脸部位在原图中的坐标，返回人脸坐标结果。

2.如权利要求1所述的一种基于深度学习的实时人脸检测方法，其特征是，所述步骤S40：采用一种基于GPU的资源调度算法：在Storm集群上，通过检测集群中GPU的资源使用情况实时调度任务资源。用基于GPU的资源调度算法实时监控各个数据处理组件bolt的GPU使用状况，将GPU消耗大的进程分配到有强GPU的数据处理组件bolt上。

3.如权利要求1所述的一种基于深度学习的实时人脸检测方法，其特征是，所述人脸数据库包括多种角度的人脸信息，每种角度的人脸信息包括多张图片。

4.如权利要求1所述的一种基于深度学习的实时人脸检测方法，其特征是，所述步骤S20包括以下步骤：

将人脸数据库中的信息作为卷积神经网络的输入数据源，使用设定的卷积神经网络默认参数进行卷积神经网络训练；所述默认参数包括初始权值、训练速率和迭代次数；

根据训练中间结果，对默认参数进行不断调整，直到得到最优卷积神经网络网络参数，进而得到最优卷积神经网络。

5.如权利要求1所述的一种基于深度学习的实时人脸检测方法，其特征是，所述步骤S10中，用于人脸检测的卷积神经网络自上而下包括三个网络结构：

第一个网络结构，包括三层卷积层：

第一卷积层：Input Size 12×12×3，卷积核：3×3、

第二卷积层：Input Size 5×5×10，卷积核：3×3和

第三卷积层：Input Size 3×3×16，卷积核：3×3，

第一个网络结构用于人脸/非人脸区域判断并获得人脸区域的候选窗口、对人脸区域进行边界框回归并得到回归向量；

第二个网络结构，包括三个卷积层和第一全连接层，自上而下依次是：

第四卷积层：Input Size 24×24×3，卷积核：3×3、

第五卷积层：Input Size 11×11×28，卷积核：3×3、

第六卷积层：Input Size 4×4×48，卷积核：2×2、

第一全连接层：Out Size 128，

第二个网络结构用于对第一个网络构获取的边界框再次进行判断人脸和非人脸区域，抑制非人脸区域并进行边界框再回归；

第三个网络结构，包括四个卷积层和第二全连接层，自上而下依次是：

第七卷积层：Input Size 48×48×3，卷积核：3×3、

第八卷积层：Input Size 23×23×32，卷积核：3×3、

第九卷积层：Input Size 10×10×64，卷积核：3×3、

第十卷积层：Input Size 4×4×64，卷积核：2×2、

第二全连接层：Out Size 256；

第三个网络结构用于对从第二个网络结构的获取的边界框进行进一步的边界框人脸/非人脸区域判别，抑制非人脸区域并进行边界框再回归，得出边界框的回归向量坐标即为人脸区域的坐标。