[发明专利]一种基于yolo的人脸检测与人脸对齐方法

权利要求书

1.一种基于yolo的人脸检测与人脸对齐方法，其特征在于：其中人脸的识别分为两大步骤，一是人脸的检测，二是人脸的对齐；人脸检测方面，人脸检测采用边框检测的方式，即利用网络学习将图像划分为若干边框，从若干边框中捕捉人脸，并提取出人脸的关键点信息；人脸的对齐则是将图像中的人脸与已知的人脸进行比对从而达到识别的目的；所述方法包括以下步骤：

S1、进行网络的训练，具体包括如下步骤：

S1-1、创建人脸数据集，在LFW数据库上随机挑选具有光照变化、尺度变化和场景变化的人脸图像，并将这些人脸图像划分为训练集、测试集及验证集；所述训练集用来建立预训练模型，所述测试集用来测试所述预训练模型的泛化能力，所述验证集用于控制所述预训练模型的参数；

S1-2、对训练集、测试集和验证集中的图像进行标注，即收集图像上人脸在图像上的坐标信息(x，y，w，h)以及人脸关键点的坐标信息(xi，yi)；

S1-3、重构人脸检测与对齐数据库，构建ImageNet及yolo检测框架的联合数据库以对训练集进行分类学习进而创建预训练模型，预训练模型包括前半部分的人脸检测模型和后半部分的人脸对齐模型；所述ImageNet创建预训练模型中前半部分的人脸检测模型，所述yolo检测框架创建预训练模型中后半部分的人脸对齐模型，并通过损失函数提高所述人脸对齐模型的鲁棒性；

所述损失函数为：

Loss＝α_object*(β₁*confidenceloss+β₂*locationloss+β₃*alignedloss)+α_noobject*confidenceloss

其中，confidenceloss表示每个图像边框对应置信度回归，locationloss表示位置回归，alignedloss表示关键点回归，α_object、β₁、β₂、β₃、α_noobject为权重；本损失函数包含了训练集的位置回归、置信度回归以及关键点回归，通过调节置信度、位置及关键点损失的权重，使得模型收敛、提高模型的鲁棒性；

S2、进行网络验证，使用所述验证集控制所述预训练模型的参数；

S2的效果验证是指，对于人脸检测模型，使用mAp进行衡量，对于人脸对齐模型，使用欧拉损失衡量；通过设定不同的IoU值计算出人脸检测的准确率和查全率，从而计算得到mAp，即是衡量人脸在图像上的坐标信息(x，y，w，h)的准确率；对于人脸对齐模型的验证使用欧拉损失衡量，即是衡量人脸关键点的坐标信息(xi，yi)的准确率；这样通过验证集的衡量，可以相应调整预训练模型的相关参数，提高人脸检测模型和人脸对齐模型的检测准确率和对齐准确率；

S3、进行性能测试，使用所述测试集测试所述预训练模型的泛化能力。

2.根据权利要求1所述的一种基于yolo的人脸检测与人脸对齐方法，其特征在于：所述损失函数中

α_object＝2,α_noobject＝1,β₁＝1,β₂＝0.5,β₃＝0.5。

3.根据权利要求1所述的一种基于yolo的人脸检测与人脸对齐方法，其特征在于：选取的人脸图像中，80％作为为训练集、10％作为测试集、10％作为验证集。