[发明专利]一种基于语义特征金字塔网络的小人脸检测方法

说明书

本发明请求保护一种基于语义特征金字塔网络的小人脸检测方法，属于人脸检测技术领域。其中，所述方法包括以下步骤：步骤1.以SFD人脸检测方法为基础模型，为了增强预测特征的语义信息，本发明设计了一个语义特征金字塔网络。步骤2.为了提高小人脸的召回率，减少固定分类阈值造成的错误分类样本数量，本发明提出了一个尺度自适应匹配算法，进行anchor匹配和样本分类。步骤3.为了缓解网络中正负样本不平衡问题，本发明采用focal loss计算网络的分类损失，通过迭代训练、更新参数得到最终的网络模型。在增加少量计算量的情况下，本发明有效的提取了小人脸检测所必需的语义信息，增强了网络的特征表达能力，提高了小人脸的召回率，缓解了检测器的样本不平衡问题。

技术领域

本发明属于图像处理技术领域，特别涉及基于特征金字塔的小人脸检测方法。

背景技术

近几年来，深度学习的兴起促使人脸检测快速发展，越来越多的人脸智能检测仪器走进人们的日常生活中。尽管人脸检测借助深度卷积神经网络在一些挑战性环境下取得突破性进展，比如：光照、姿态、遮挡、旋转等无约束环境。但是对于多尺度问题仍然没有很好的解决，尤其是小人脸。这极大程度的降低了人脸检测器能在公共场所发挥的作用，限制了人脸检测器在实际生活中的部署应用。一款高性能的人脸(尤其是小人脸)检测器对于维护公众安全、预防不法分子扰乱公共秩序至关重要。因此小人脸检测器具有极大的实用价值和迫切的社会需求。

目前，基于深度学习的人脸检测器主要分为两类：基于proposal-driven的两阶段检测器和基于regression-oriented的单阶段检测器。由于对检测的实时性需求，单阶段检测器更能满足人们的需求。但随着人脸尺度的降低，单阶段检测器的性能也随之降低。主要原因如下：1)单阶段检测器使用具有高分辨率的大尺度特征检测小人脸。但是浅层的大尺度特征语义信息不强，无法足够表达小人脸的特征，使得小人脸检测的准确性较低。2)为了捕获到人脸，网络密集铺设了大量anchor，但小人脸的召回率并不高，所以小人脸检测精度低于大中尺度人脸。3)网络产生的样本中存在大量负样本，导致极度的样本不平衡，损害了检测器的性能。为了解决以上问题，本发明提供了一种基于语义特征金字塔的单阶段小人脸检测器。

发明内容

本发明旨在解决以上现有技术的问题。提出了一种基于语义特征金字塔的小人脸检测方法。本发明的技术方案如下：

一种基于语义特征金字塔的小人脸检测方法，其包括以下步骤：

步骤1：将目标图像输入到SFD网络得到用于构建语义特征金字塔网络的输入特征；在特征融合之前，将设计的语义聚集模块插入特征金字塔顶层用来增强其语义信息；在特征融合过程，为了减少FPN特征融合中降维操作带来的信息损失，对增强了语义信息的顶层特征以及后续的融合特征进行全局平均池化处理，然后以FPN横向连接方式和自上而下路径进行特征融合，得到语义特征金字塔网络的浅层特征。最后以自下而上路径，在增强了语义信息的顶层特征上增加额外的卷积层，得到语义特征金字塔网络的深层特征，从而得到了含有丰富语义信息的语义特征金字塔网络。

步骤2：使用步骤1中构建的语义特征金字塔网络，如图2所示，进行训练得到网络输出anchor(锚框)。为了减少主干网络采用固定阈值进行anchor匹配产生的错误分类样本数量并提高小人脸的召回率，本发明采用尺度自适应匹配算法进行anchor匹配从而得到样本分类标签。首先将网络输出的anchor与 ground truth中心点距离和iou结合作为候选样本分类指标,按尺度为每个人脸分类候选样本，然后计算候选样本iou的均值和方差之和作为动态阈值，得到 anchor匹配的分类结果；最后根据anchor匹配的分类结果得到网络输出的分类标签；

步骤3：使用步骤1的网络输出和步骤2得到的分类标签，采用focal loss 替换SFD分类任务的标准交叉熵cross entropy loss，用于缓解网络的样本不平衡问题，通过迭代训练得到最终的网络模型。

进一步的，所述步骤1具体包括以下步骤：