[发明专利]一种基于Fast R-CNN的人脸检测方法

说明书

本发明公开了一种基于Fast R‑CNN的人脸检测方法，本发明采用多图片构成的训练集通过object proposals进行提取，并通过CNN网络进行预训练，并配合Fast R‑CNN对预训练模型进行二次训练，得到最终的人脸目标检测模型，该模型可以对与视觉任务强相关新场景图像进行效果良好的人脸目标检测。综上，本发明结合深度学习卷积神经网络思想，利用卷积特征替代传统手工特征，避免了传统检测问题中特征选择问题，深层卷积特征具有更好的表达能力，同时为解决人脸目标检测问题提供了更加泛化和简洁的思路。

技术领域

本发明涉及一种基于Fast R-CNN的人脸检测方法，属于目标检测和计算机视觉领域。

背景技术

人脸检测是指对于任意一幅给定的图像，采用一定的策略对其进行搜索以确定其中是否含有人脸，如果是则返回人脸的位置、大小和姿态。人脸检测是自动人脸识别系统中的一个关键环节。早期的人脸识别研究主要针对具有较强约束条件的人脸图像（如无背景的图像），往往假设人脸位置已知或者容易获得，因此人脸检测问题并未受到重视。

随着电子商务等应用的发展，人脸识别成为最有潜力的生物身份验证手段，这种应用背景要求自动人脸识别系统能够对一般图像具有一定的识别能力，由此所面临的一系列问题使得人脸检测开始作为一个独立的课题受到研究者的重视。今天，人脸检测的应用背景已经远远超出了人脸识别系统的范畴，在基于内容的检索、数字视频处理、视频检测等方面有着重要的应用价值。

人脸检测是一个复杂的具有挑战性的模式检测问题，其主要的难点有两方面：这一方面是由于人脸内在的变化所引起：人脸具有相当复杂的细节变化，不同的外貌如脸形、肤色等，不同的表情如眼、嘴的开与闭等；人脸的遮挡，如眼镜、头发和头部饰物以及其他外部物体等；另外一方面由于外在条件变化所引起：由于成像角度的不同造成人脸的多姿态，如平面内旋转、深度旋转以及上下旋转，其中深度旋转影响较大；光照的影响，如图像中的亮度、对比度的变化和阴影等；图像的成像条件，如摄像设备的焦距、成像距离，图像获得的途径等等。人脸检测技术最热门的应用领域有三个方面：第一，身份认证与安全防护；第二，媒体与娱乐；第三，图像搜索。

发明内容

本发明提供一种基于Fast R-CNN的人脸检测方法，以用于通过该方法实现对人脸目标的检测。

本发明的技术方案是：一种基于Fast R-CNN的人脸检测方法，所述方法步骤如下：

Step1、获取人脸图片集，将人脸图片集分成测试集和训练集，并对测试集和训练集设定标签；

Step2、对训练集进行object proposals提取；其中object proposal提取采用selective search方法；

Step3、选定CNN网络结构，利用VOC数据集进行预训练，得到预训练模型；

Step4、将训练集其对应的标签，以及 object proposals 作为输入，通过Fast R-CNN对预训练模型进行二次训练，得到最终的人脸目标检测模型；

Step5、利用测试集对人脸目标检测模型进行测试，得到人脸检测结果。

所述object proposals提取采用selective search方法。

所述CNN网络结构采用了VGG16。

所述VGG16采用softmax分类器做训练，激活函数使用线性整流函数，采用批量标准化对权重参数和偏置参数进行迭代训练，设置权重衰减速率weight_decay默认为0.0001，批量标准化的衰减速率默认为0.997，池化层采用最大池化方式，同时将最大池化的Padding的模式设为SAME。