[发明专利]一种用于人脸检测的自适应锚点匹配方法

说明书

本发明公开了一种用于人脸检测的自适应锚点匹配方法，包括：1)准备训练数据和构建人脸检测网络；2)根据特征尺度的空间尺寸，在其中的每个位置上铺设锚点；3)开启迭代：对锚点和目标人脸进行编码，以设定的匹配阈值对两者进行选择性的目标匹配，生成正、负样本匹配对；4)将输入图像送入人脸检测网络进行前向推理，计算总损失，包括关键点回归损失、人脸框回归损失和分类损失；5)使用步骤4)的预测结果估计网络对数据的拟合程度，计算并更新步骤3)中各个特征尺度的匹配阈值；6)判断步骤4)中的总损失是否达到预设标准，若达标，则停止训练；若不达标，重复3)‑6)，进入下一轮迭代。本发明解决现有固定的锚点匹配方法的训练效率低和检测性能差的问题。

技术领域

本发明涉及人脸识别的技术领域，尤其是指一种用于人脸检测的自适应锚点匹配方法。

背景技术

人脸检测在计算机视觉领域是一项基础性的图像处理任务，很多基于人脸的生物特征识别算法都需要使用人脸检测技术，如人脸识别、人脸对齐、人脸跟踪、人脸属性识别和年龄估计等。作为通用的检测算法，人脸检测器性能的好坏直接影响到后续人脸分析算法的性能。

在实际的社会生产生活中，人脸检测技术具有广泛的应用场景，如视频监控系统、安保系统、金融支付系统、公共交通系统、社区门禁系统等。得益于深度卷积神经网络(Convolutional Neural Network,CNN)的发展，基于CNN的人脸检测网络的性能迎来了巨大的提升。近年来，基于锚点的单阶段人脸检测网络在速度和精度上都表现出卓越的性能优势，因而逐渐成为人脸检测网络的主流设计。然而，现有的基于锚点的单阶段人脸检测网络在进行锚点匹配时，仍存在以下局限性：1)忽略了锚点和目标人脸之间的内在联系；2)使用固定的匹配阈值，这无法满足人脸检测网络在训练时对目标人脸的不断变化的需求；

3)现有的锚点尺寸设置是基于经验的，这导致训练数据中大量的(超过20％)微小人脸被忽略掉。综合上述分析，由于现有的锚点匹配方法存在一定的局限性，这使得人脸检测网络的训练效率较低，从而导致其检测准确率低的问题，尤其是对微小人脸的检测。因此，如何克服现有锚点匹配方法存在的缺陷，仍是一个亟待解决的问题。

综合以上论述，发明一种用于人脸检测的自适应锚点匹配方法，具有较高的实际应用价值。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提出了一种用于人脸检测的自适应锚点匹配方法，通过对目标人脸和锚点进行编码，有选择性地为不同尺寸的目标人脸匹配合适的锚点；通过对训练数据进行统计分析，结合人脸检测网络中不同特征尺度的差异，科学、精准地设置锚点尺寸；通过构建训练状态估计器，自适应地实时调整锚点的匹配阈值，从而形成一套灵活、自适应的锚点匹配方法。本发明涉及的自适应锚点匹配方法，能够极大地提升人脸检测网络的训练效率和最终的人脸检测性能。另外，本发明对现有的锚点匹配方法进行优化和改进，因此适用于所有基于锚点的检测器的训练，包括人脸检测器和物体检测器。

为实现上述目的，本发明所提供的技术方案为：一种用于人脸检测的自适应锚点匹配方法，包括以下步骤：

1)准备训练数据和构建人脸检测网络；

所述训练数据包括输入图像X和其中包含人脸的标注信息Y，标注信息Y包含目标类别人脸框坐标和面部关键点坐标下标i表示输入图像中第i个人脸的索引；

所述人脸检测网络能够在三个不同的特征尺度上对输入图像X进行处理，并分别在每个特征尺度上输出预测结果，包括类别预测人脸框坐标预测和面部关键点坐标预测表示特征尺度的索引；三个特征尺度中的类别预测合并为D_cls，记作总类别预测，三个特征尺度中的人脸框坐标预测合并为D_box，记作总人脸框坐标预测，三个特征尺度中的面部关键点坐标预测记作总面部关键点坐标预测D_lmk；其中，不同特征尺度的预测结果具有不同的空间尺寸，同一特征尺度上的三类预测具有相同的空间尺寸；