[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

说明书

本发明提供一种基于卷积神经网络的匝道场景下的人脸检测方法，包括设置基础网络模块，将互为相反数的两部分参数特征图连接，并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；设置具有多个卷积层、两个池化层、去卷积层及残差连接的卷积神经网络整体框架，对基础网络进行了改进，提高在匝道场景中人脸检测系统的性能，对匝道场景的人脸检测鲁棒性高，提高了检测速度。

技术领域

本发明属于人脸检测的技术领域，特别是涉及到匝道场景下的一种基于卷积神经网络的人脸检测方法。

背景技术

人脸检测技术作为人脸识别、性别识别、表情识别等任务的基础，在过去几十年得到了广泛关注以及长足发展。随着计算机硬件性能在近几年得到巨大提升，使得卷积神经网络在人脸检测方面的应用更深入，并对人脸的检测性能有了进一步提高。目前包括企业界、学术界在人脸检测和识别方面做了大量研究，并提出了不少经典的算法。经典的人脸检测方法主要有基于统计的检测方法、基于知识的检测方法、基于模板的检测方法、基于特征的检测方法。具体方案如下：

基于统计的检测方法，这类方法主要是将人脸检测问题转化为高维空间的信号检测问题，将全部图像集看成一个高维的线性空间，整个人脸图像集只对应于其中的某一个子空间，用统计的观点通过大量的人脸图像来构造人脸模式的空间，再根据相似度量来判断人脸是否存在。基于统计的检测方法存在训练困难、计算量大的问题。

基于知识的检测方法，该类方法将人脸看成器官特征的组合，通过提取眼睛、鼻子、嘴巴等面部特征，利用在各种条件下人脸各个器官的分布都不会改变的规律性来进行人脸检测。基于知识的检测方法很难将人类对人脸的知识归纳到适用计算机的人脸规则，在严格按照规则来进行人脸区分时，很可能会将人脸区域判断为非人脸区域，而在放宽规则的情况下，往往会出现误检率明显提高的情况。

基于模板的检测方法，此方法一般先设定一个标准的人脸模板，也可用一个函数对此模板参数化，然后计算标准模板与输入图像对应的边缘和五官特征之间的相关系数，通过预设的阈值来判断是否存在人脸。基于模板的检测方法不能够有效的应对人脸大小、姿态的变化，并且计算复杂度高。

基于特征的检测方法，这种方法通过检测出不同的面部特征的位置，根据各特征之间的空间几何关系来定位人脸的位置。该检测方法可以分为基于面部特征的方法、基于纹理的方法、基于肤色的方法以及基于多特征综合的方法。基于面部特征的方法首先通过一系列规则检测到特征点并组合为人脸，最后进行验证；基于纹理的方法根据人脸与其他模式的纹理有比较明显的差异来判断是否存在人脸；基于肤色的方法主要是利用肤色的稳定性，通过分离出类肤色区域，在该区域结合其他特征进行检测；基于多特征的方法是利用多种不同的特征结合来进行人脸检测。基于特征的检测方法所面临的主要问题是由于图像噪声等条件的影响，使得人脸特征不明显，从而使得算法性能大大降低。

目前的人脸检测方法在公开数据集上训练出来的人脸检测模型尽管在公开数据集上表现出非常好的检测能力，但由于在实际应用中的场景、人脸姿态、表情等因素变化复杂，使得这些模型并不能够很好的表征人脸信息，而匝道场景下的人脸呈现出与公开数据集中的人脸样本很不一样的表观，使得目前的这些检测方法并不能取得令人满意的效果。

发明内容

针对现有技术的缺点，由于匝道场景下的人脸是仰拍图，相比一般的人脸存在俯角大的问题，为了解决匝道场景下人脸检测性能差的问题，说明匝道场景下的人脸检测的特点，即与一般场景下的区别，目前基于卷积神经网络的人脸检测算法，最好的算法仍然会有巨大的计算量，并对匝道场景的人脸检测鲁棒性低，本发明提供一种基于卷积神经网络的匝道场景下的人脸检测方法，提高在匝道场景中人脸检测系统的性能。为解决上述技术问题：

本发明提供了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；