[发明专利]基于MTCNN人脸检测的改进方法和装置

说明书

本发明提供了一种基于MTCNN人脸检测的改进方法和装置，涉及神经网络技术领域，包括：利用预先获取的人脸图像训练样本，对MTCNN模型进行训练；其中，人脸图像训练样本包括：正向人脸样本、非正向人脸样本和非人脸样本；MTCNN模型包括：O‑Net网络层，O‑Net网络层的输入图片的尺寸为64x64；使用训练后的MTCNN模型，对预先获取的待检测人脸图像进行人脸检测，获取正向人脸图像并输出检测结果。该方法解决了现有人脸检测网络模型误识率较高、对人脸方向检测的准确性较低的技术问题，达到了降低MTCNN人脸误识率、提高人脸检测精度的技术效果。

技术领域

本发明涉及神经网络技术领域，尤其是涉及一种基于MTCNN人脸检测的改进方法和装置。

背景技术

多任务卷积神经网络(Multi-task convolutional neural network，MTCNN)是人脸检测常用的一种深度网络模型，该模型主要采用了三个级联的网络，采用候选框加分类器的思想，进行快速高效的人脸检测。这三个级联的网络分别是快速生成候选窗口的P-Net、进行高精度候选窗口过滤选择的R-Net和生成最终边界框与人脸关键点的O-Net。该模型也用到了图像金字塔、边框回归、非最大值抑制等技术。

在实际使用中，经常要对照片中人脸的位置进行检测，但是由于目前的MTCNN算法模型误检率较高，把照片的复杂背景检测为人脸，以及把倒置人脸检测为正向人脸的情况时有发生，也就是说，现有的MTCNN网络模型对图片中的人脸进行检测时，误识率较高、对人脸方向检测的准确性较低。

发明内容

本发明的目的在于提供一种基于MTCNN人脸检测的改进方法和装置，以缓解现有人脸检测网络模型存在的误识率较高、对人脸方向检测的准确性较低的技术问题。

为了实现上述目的，本发明实施例采用的技术方案如下：

第一方面，本发明实施例提供了一种基于MTCNN人脸检测的改进方法，该方法包括：利用预先获取的人脸图像训练样本，对MTCNN模型进行训练；其中，上述人脸图像训练样本包括：正向人脸样本、非正向人脸样本和非人脸样本；上述MTCNN模型包括：O-Net网络层，上述O-Net网络层的输入图片的尺寸为64x64；使用训练后的MTCNN模型，对预先获取的待检测人脸图像进行人脸检测，获取正向人脸图像并输出检测结果。

在一些可能的实施方式中，上述O-Net网络层包括：输入层、卷积层、最大池化层和分类器。

在一些可能的实施方式中，上述O-Net网络层各层输出图片的尺寸分别为：输入层的输出尺寸为64×64×3、第一卷积和池化层的输出尺寸为31×31×32、第二卷积和池化层的输出尺寸为14×14×64、第三卷积和池化层的输出尺寸为5×5×64、第四卷积层的输出尺寸为3×3×128。

在一些可能的实施方式中，上述MTCNN模型的输出结果的维度为1×4×10，上述输出结果的每个维度分别表示：人脸概率、边框回归偏移向量和人脸关键点位置坐标。

在一些可能的实施方式中，上述非正向人脸样本包括：倒置人脸样本、顺时针90°人脸样本、逆时针90°人脸样本。

在一些可能的实施方式中，在上述训练样本中，上述正向人脸样本、倒置人脸样本、顺时针90°人脸样本、逆时针90°人脸样本和非人脸样本的比例为：4:2:1:1:4。

第二方面，本发明实施例提供了一种基于MTCNN人脸检测的改进装置，该装置包括：模型训练模块，用于利用预先获取的人脸图像训练样本，对MTCNN模型进行训练；其中，上述人脸图像训练样本包括：正向人脸样本、非正向人脸样本和非人脸样本；上述MTCNN模型包括：O-Net网络层，上述O-Net网络层的输入图片的尺寸为64x64；人脸检测模块，用于使用训练后的MTCNN模型，对预先获取的待检测人脸图像进行人脸检测，获取正向人脸图像并输出检测结果。