[发明专利]一种基于yolo的人脸检测与人脸对齐方法

说明书

本发明公开了一种基于yolo的人脸检测与人脸对齐方法，属于人脸识别领域，包括网络的训练及网络的验证步骤，所述网络的训练包括创建人脸数据集，对人脸数据集中的图像进行标注、重构人脸检测与对齐数据库，本发明解决了MTCNN人脸识别采用分阶段的方式进行人脸检测与对齐存在的效率慢、不能进行联合任务的问题，提高了人脸识别的鲁棒性和网络的泛化能力，且防止了样本过少导致的过拟合问题。

技术领域

本发明属于人脸识别领域，具体设计一种基于yolo的人脸检测与人脸对齐方法。

背景技术

人脸识别技术是基于人的脸部特征，对输入的人脸图像或者视频流进行判断。首先判断是否存在人脸，如果存在，则进一步给出人脸所在的位置、大小。并根据这些信息进一步提取出人脸的特征信息，最后将其与已知的人脸对比，从而识别每个人脸的身份，总体来说，人脸的识别分为两大步骤，一是人脸的检测，二是人脸的对齐，人脸检测方面，目前人脸检测采用边框检测的方式，即利用网络学习将图像划分为若干边框，从若干边框中捕捉人脸，并提取出人脸的关键点信心，人脸的对齐则是将图像中的人脸与已知的人脸进行比对从而达到识别的目的。

如MTCNN(Multi-task Cascaded Convolutional Neural Networks)，MTCNN人脸识别的主要方法是：

当给定一张照片的时候，将其缩放到不同尺度形成图像金字塔，以达到尺度不变。

步骤1：使用P-Net生成候选窗和边框回归向量(bounding box regressionvectors)。使用Bounding box regression的方法来校正这些候选窗，使用非极大值抑制(NMS)合并重叠的候选框。全卷积网络和FasterR-CNN中的RPN一脉相承；

步骤2：使用N-Net改善候选窗，将通过P-Net的候选窗输入R-Net中，拒绝掉大部分false的窗口，继续使用Bounding box regression和NMS合并；

步骤3：最后使用O-Net输出最终的人脸框和特征点位置。和第二步类似，但是不同的是生成5个特征点位置。

可以看出，MTCNN是使用分阶段的方式实现人脸检测及人脸对齐任务，即每一个阶段由一个网络组成，使用中需要对这些网络进行分阶段的训练，这样的识别方式显然不是一种端对端的学习方式，人脸识别效率慢。且网络泛化能力弱、鲁棒性差。

发明内容

本发明为了解决上述技术问题，提供了一种基于yolo的人脸检测与人脸对齐方法，以解决MTCNN人脸识别采用分阶段的方式进行人脸检测与对齐效率慢、不能进行联合任务的问题。

为达到上述技术目的，本发明采用的技术方案为：一种基于yolo的人脸检测与人脸对齐方法，包括以下步骤：

S1、进行网络的训练，具体包括如下步骤：

S1-1、创建人脸数据集，在LFW数据库上随机挑选具有光照变化、尺度变化和场景变化的人脸图像，并将这些人脸图像划分为训练集、测试集及验证集；所述训练集用来建立预训练模型，所述测试集用来测试所述预训练模型的泛化能力，所述验证集网用于控制所述预训练模型的参数；

S1-2、对训练集、测试集和验证集中的图像进行标注，即收集图像上人脸在图像上的坐标信息(x，y，w，h)以及人脸关键点的坐标信息(xi，yi)；

S1-3、重构人脸检测与对齐数据库，构建ImageNet及yolo检测框架的联合数据库以对训练集进行分类学习进而创建预训练模型，所述ImageNe创建预训练模型中的人脸检测模型，所述yolo检测框架创建预训练模型中的人脸对齐模型，并通过损失函数提高所述人脸对齐模型的鲁棒性；

S2、进行网络验证，使用验证集控制预训练模型的参数；