[发明专利]一种基于深度级联卷积神经网络的快速人脸检测方法

权利要求书

1.一种基于深度级联卷积神经网络的快速人脸检测方法，包括创建人脸数据集、组建深度级联卷积神经网络、测试网络模型，其特征在于：所述人脸数据集对人脸图像进行标注，使用多级金字塔缩放方法对人脸图像进行窗口滑动，将窗口与人脸矩形框的图像交并比IOU大于等于0 .7的窗口图像设置为正样本，图像交并比IOU小于0 .3的窗口图像设置为负样本，使用正负样本组成训练集和验证集，以训练所述深度级联卷积神经网络进行深度学习，在所述深度学习过程中加入性别分类辅助任务，同时采取微调训练；所述深度级联卷积神经网络包括至少三级级联卷积网络，第一级网络特征层和第二级网络特征层进行级联，第三级网络为单独网络并不和第二级网络级联，所述每一级网络都为全卷积网络包括多个卷积层和池化层，所述卷积层包括两个1x1的卷积层和一个3x3的卷积层；

每一级网络的最后一个卷积层为特征层，其后并使用1x1的卷积层代替全连接层作为输出层；

在深度学习阶段，人脸分类和性别属性分类任务采用交叉熵损失函数，人脸区域位置回归采用平滑损失函数SmoothL1Loss，总的损失函数为各个任务的损失函数通过不同的权重加权求和，其中性别属性分类任务属于辅助任务，被引入第一级网络和第二级网络，其损失函数在各级网络总损失函数中的权重并不相同。

2.根据权利要求1所述的一种基于深度级联卷积神经网络的快速人脸检测方法，其特征在于：所述深度级联卷积神经网络为三级全卷积网络，其中：

第一级卷积神经网络采用12x12x3大小的图像作为输入，由48x48x3的图像进行两次2x2的均值池化得到，其最后一个特征层的大小为1x1x20，其后使用不同的1x1的卷积层作为不同任务的输出层；第二级卷积神经网络采用24x24x3大小的图像作为输入，由48x48x3的图像进行一次2x2的均值池化得到，其最后一个特征层的大小为1x1x144，再将该特征层和第一级网络特征层进行级联，形成1x1x164大小的级联层作为联合特征层，其后使用不同的1x1的卷积层作为不同任务的输出层；第三级卷积神经网络采用48x48x3大小的图像作为输入，其最后一个特征层的大小为1x1x512，其后使用不同的1x1的卷积层作为不同任务的输出层。

3.根据权利要求1所述的一种基于深度级联卷积神经网络的快速人脸检测方法，其特征在于：所述微调训练采用在线难负样本挖掘方法，在每个批次处理训练梯度更新时，对各个样本的损失值进行递减排序，只对前设定阈值比例的样本进行梯度更新，忽略损失值低的简单负样本。

4.根据权利要求1所述的一种基于深度级联卷积神经网络的快速人脸检测方法，其特征在于：人脸分类为三分类，性别属性分类为二分类。

5.根据权利要求1所述的一种基于深度级联卷积神经网络的快速人脸检测方法，其特征在于：所述人脸数据集对人脸图像进行标注包括人脸矩形框坐标、性别属性。