[发明专利]YOLO和分块-融合策略结合的稠密人脸检测方法

权利要求书

1.一种YOLO和分块-融合策略结合的稠密人脸检测方法，其特征在于包括以下步骤：

步骤1：对人脸训练数据集进行数据增广，扩充密集场景下的人脸样本；

步骤2：构建YOLOv3和分块-融合策略相结合的YOLOv3网络模型，在检测阶段，将原图进行分块，并将分块得到的子图和原图一同输入到YOLOv3网络模型中分别进行检测；

步骤3：对NMS算法进行改进，解决大尺度人脸融合问题的同时提高小人脸检测的精度。

2.根据权利要求1所述一种YOLO和分块-融合策略结合的稠密人脸检测方法，其特征在于：所述步骤1中，人脸训练数据集采用WIDERFACE数据集，对原始WIDERFACE数据集中的原图进行分块，获得分块的子图，来实现密集场景下稠密人脸样本的扩充，同时保留有原始分辨率图像的原图。

3.根据权利要求1所述一种YOLO和分块-融合策略结合的稠密人脸检测方法，其特征在于：所述步骤1中，在分块时，分割的子图其宽度bw和高度bh的计算公式如下：

bw＝(overlap_rate+1)*w/2 (1)；

bh＝(overlap_rate+1)*h/2 (2)；

其中：w和h分别为原图的宽和高，overlap_rate为分块边缘重叠率。

4.根据权利要求1所述一种YOLO和分块-融合策略结合的稠密人脸检测方法，其特征在于：所述步骤1中，在分块的同时，对图片分块时根据不同的场景采取不同的策略，包括：

(a)对大尺度人脸不分块；

(b)人脸残缺和无人脸的分块舍弃，仅保留人脸完整的分块；

(c)密集场景下保留分块区域，但不完整的大尺度人脸标注将被舍弃；

(d)密集场景下均匀分布人脸且无明显尺度跨越则直接分块。

5.根据权利要求1所述一种YOLO和分块-融合策略结合的稠密人脸检测方法，其特征在于：所述步骤2中，构建YOLOv3和分块-融合策略相结合的YOLOv3网络模型，YOLOv3网络模型分为模型训练和目标检测两个阶段，具体如下：

模型训练：

在模型训练阶段使用YOLOv3网络模型进行训练，训练时使用步骤1中数据增广后的人脸数据集，其中；YOLOv3网络训练损失函数如公式(3.1)～(3.6)所示：

YOLOv3损失函数包含边界框中心点坐标损失Loss_center(，如公式(3.2)；

边界框宽高损失Loss_wh(，如公式(3.3)；

目标置信度损失Loss_score(式，如公式(3.4)、公式(3.5)；

目标类别损失Loss_class(，如公式(3.6)；

式中，各变量的含义如下：其中SxS为网络划分图片的网格数，B为每个网格预测的边界框数目，为网格i中第j个边界框的预测；其中各公式中变量的含义分别为：公式(3.2)λ_coord为动态参数，为中心点坐标的真值，Cxy_i为中心点坐标预测值；公式(3.3)中，和表示该目标宽度和高度的真实值，w_i和h_i分别表示该目标高度和宽度的预测值；公式(3.4)和公式(3.5)分别为包含目标时的置信度损失和不含目标时的置信度损失，其中λ_noobj为不含目标时网络的误差系数，和C_i分别代表检测目标的置信度真值和置信度预测值；式(3.6)中和为检测目标概率的真值和目标概率的预测值；

目标检测：

在目标检测阶段，利用模型训练阶段得到的权重文件进行检测，检测时首先将输入图片执行带边缘重叠的分块，得到分块与原图共5张图片，之后将分块图片与输入图片一同输入到YOLOv3网络中，在YOLOv3网络中分别对5张图片进行预测；其中，YOLOv3网络对每张图片进行预测的具体过程如下：

首先输入图片经过YOLOv3网络的特征提取网络darknet53，darknet53网络包含53个卷积层，通过darknet53卷积之后，得到输入图片1/32尺寸的特征图；以416*416*3尺寸的输入图片为例，通过darknet53网络卷积后，将得到13*13*255尺寸的特征图，在13*13*255特征图的基础上通过上采样以及与浅层特征融合又分别得到26*26*255、52*52*25尺寸的特征图，这3个尺度下的特征图分别用于对大尺度、中尺度、小尺度目标进行预测；YOLOv3通过在这3个尺度下的特征图上分别预测得到大、中、小3个尺度下的目标，其中YOLOv3网络模型在特征图上的目标检测原理为，YOLOv3网络对特征图上的每个像素对应的网格，都会给出3个anchor进行预测，找到大小最合适的anchor，其中anchor由训练前通过对数据集进行聚类得到，之后网络输出的4个偏移量，即可得到预测框；YOLOv3对每个预测边界框，给出4个值，t_x、t_y、t_w、t_h，这4个值和预测边界框(b_x、b_y、b_w、b_h)的映射关系如公式(4.1)～(4.4)所示；

b_x＝δ(t_x)+c_x (4.1)

b_y＝δ(t_y)+c_y (4.2)

其中，t_x、t_y分别表示中心点偏移的量，t_w、t_h则表示为预测边界框的相对anchor的缩放量，其中p_w、p_h分别表示anchor的宽和高；δ(t_x)、δ(t_y)用于表示某个目标的中心点相对负责检测这个目标的网格的偏移量，其中(C_x，C_y)表示中心点坐标所在的网格；

当YOLOv3网络完成了原图加分块图片一共5张图片的预测之后，将其中4张分块图片的预测结果映射到原始图片上，最终使用NMS算法去除冗余预测结果之后得到最终的检测结果。