[发明专利]基于广义交并比的多尺度特征融合人脸检测与分割方法

权利要求书

1.一种基于广义交并比的多尺度特征融合人脸检测与分割方法，其特征在于：包括如下步骤：

S1：将待检测的人脸图像进行预处理并将其输入Mask R-CNN模型中，通过预训练好的深度神经网络模型提取相应的特征图；

S2：通过预设好尺寸的区域建议网络在特征图上生成候选区域；

S3：然后利用候选区域匹配，将输入图像与特征图的像素匹配对应并获取相对应的固定尺寸特征图；

S4：最后利用全连接层对候选区域进行分类和边界框的定位，利用全卷积网络进行逐像素点的预测，生成相应的二值掩码将人脸目标与背景图像分割开来。

2.根据权利要求1所述的一种基于广义交并比的多尺度特征融合人脸检测与分割方法，其特征在于：对Mask R-CNN模型中Mask R-CNN损失函数在边界框回归损失中采用广义交并比函数替代传统的smooth L1函数，提高了多目标人脸的检测精度。

3.根据权利要求1所述的一种基于广义交并比的多尺度特征融合人脸检测与分割方法，其特征在于：在FPN网络采用了多尺度特征融合策略，增加自下向上的反向侧边连接路径进行多尺度特征融合，提高了小尺度人脸检测性能。

4.根据权利要求1所述的一种基于广义交并比的多尺度特征融合人脸检测与分割方法，其特征在于：所述Mask R-CNN模型在同一网络架构完成了三项任务，即目标位置信息的检测定位、目标与背景的分类、目标与背景的分割，因此，同一网络架构的损失函数包含了定位损失，分类损失及分割损失三部分。

5.根据权利要求4所述的一种基于广义交并比的多尺度特征融合人脸检测与分割方法，其特征在于：所述网络整体损失函数定义如下：L＝L_cls+L_box+L_mask#；其中L_cls为分类损失，L_box为定位损失，L_mask为分割损失。