[发明专利]一种基于卷积神经网络的匝道场景下的人脸检测方法

权利要求书

1.一种基于卷积神经网络的匝道场景下的人脸检测方法，其特征在于：

获取匝道场景下的人脸图；

设置一基础网络模块，在所述基础网络模块中设置互为相反数且成对出现的两部分参数，将所述两部分参数的特征图连接，连接操作之后加入尺度变化和偏移；

设置具有不同大小的感受野的卷积核的组合的初始模块；

通过多尺度特征对高低层特征进行融合，并利用融合后的特征进行候选区域提取和进一步目标检测；

设置卷积神经网络整体框架，在所述框架中包括：

第一至第六层卷积层，第一层卷积层输出第一特征图；第二层卷积层输出第二特征图；第三层卷积层输出第三特征图；第四层卷积层输出第四特征图；第五层卷积层输出第五特征图；

第一、第二层池化层，通过所述第一层池化层降低数据维数，加速模型训练，并输出第六特征图；所述第二层池化层，输出第七特征图；

去卷积层，所述去卷积层输出第八特征图；

通过将所述第八特征图连接输出第九特征图，并经过所述第六层卷积层输出第十特征图。

2.根据权利要求1所述的方法，其特征在于：所述初始模块包括三个通路，即第一通路、第二通路和第三通路，所述第一通路包括一个1*1大小的卷积核，所述第二通路包括一个1*1大小的卷积核和一个3*3大小的卷积核，所述第三通路包括一个1*1大小的卷积核和一个3*3大小的卷积核。

3.根据权利要求2所述的方法，其特征在于：所述第一通路、第二通路和第三通路输出的数据串接起来。

4.根据权利要求3所述的方法，其特征在于：在串接起来后通过一1*1大小的卷积核，并输出数据。

5.根据权利要求1所述的方法，其特征在于：所述多尺度特征中，将原图多个尺度特征图连接增加最终特征图中多尺度信息。

6.根据权利要求5所述的方法，其特征在于：所述多尺度特征中，包括卷积核conv3和卷积核conv5，其中所述卷积核conv3中特征图被下采样，所述卷积核conv5中特征图被线性插值上采样。

7.根据权利要求1所述的方法，其特征在于：所述第一层卷积层中包括7*7大小、步长为2的卷积核；所述第三层卷积层、第四层卷积层、第五层卷积层、第一层池化层和第二层池化层均包括一3*3大小、步长为2的卷积核；所述第二层卷积层包括3*3大小的卷积核；所述去卷积层包括4*4大小、步长为2的卷积核；所述第六卷积层的卷积核大小为1*1。

8.根据权利要求7所述的方法，其特征在于：在所述卷积神经网络整体框架中，输入为1156*640*3的图片，通过所述第一层卷积层的卷积核，输出528*320*32的所述第一特征图；通过所述第一层池化层的卷积核输出264*160*32的所述第六特征图；通过残差连接及第二层卷积层的卷积核输出264*160*64的所述第二特征图；通过所述第三层卷积层的卷积核输出132*80*128的所述第三特征图；通过所述第四层卷积层的卷积核输出66*40*256的所述第四特征图；通过第五层卷积层的卷积核输出33*20*384的所述第五特征图；通过所述第二池化层的卷积核输出66*40*128的所说第七特征图；通过所述去卷积层的卷积核输出66*40*384的所述第八特征图。

9.根据权利要求8所述的方法，其特征在于：所述第九特征图为66*40*768的特征图，通过所述第六层卷积层的卷积核输出66*40*512的第十特征图。

10.一种非易失性存储介质，其特征在于，包括一条或多条计算机指令，所述一条或多条计算机指令在执行时实现上述权利要求1-9任一项所述的方法。