[发明专利]一种基于轻量级卷积神经网络的人脸检测方法及系统

权利要求书

1.一种基于轻量级卷积神经网络的人脸检测方法，其特征在于，包括步骤：

S1，数据处理，建立人脸数据库，进行图像预处理，生成训练样本；

S2，基于输入的所述样本，利用轻量级卷积神经网络进行特征提取；所述轻量级卷积神经网络包括卷积核大小分别为3x3和1x1的卷积层；

S3，基于特征融合模块将轻量级卷积神经网络的不同特征层进行融合；

S4，锚点框选取；

S5，输出多尺度特征图；

S6，人脸候选区映射匹配；

S7，人脸分类回归；

S8，建立非极大值抑制约束；

S9，输出检测结果。

2.根据权利要求1所述的基于轻量级卷积神经网络的人脸检测方法，其特征在于，在所述步骤S2中，所述轻量级卷积神经网络CNN的主干网络包括：依次连接的1个A block和5个Bblock，其中，A block中卷积的通道数设置为16，各个B block的通道数依次设置为16、32、64、128、128。

3.根据权利要求2所述的基于轻量级卷积神经网络的人脸检测方法，其特征在于，所述A block通过卷积核大小为3×3，步长为2的卷积层实现降采样，其后添加卷积核大小为1×1，步长为1的卷积层达到输入特征降维的目的，每个卷积层后面均依次连接用于提高网络的非线性特征的Batch Normalization和非线性函数ReLU。

4.根据权利要求3所述的基于轻量级卷积神经网络的人脸检测方法，其特征在于，所述B block通过卷积核大小为2×2的最大池化层实现降采样，其步长为2，随后依次连接了卷积核大小为3×3、1×1、3×3的卷积层，每个卷积层步长为1，且后面均依次连接用于提高网络的非线性特征Batch Normalization和非线性函数ReLU。

5.根据权利要求1所述的基于轻量级卷积神经网络的人脸检测方法，其特征在于，在所述步骤S3中，所述特征融合模块包括卷积核大小分别为3×3和1×1的卷积层，且步长均为1，其使用反卷积进行上采样，并采用元素求和的方式将低层特征图和变换后的高层特征图融合在一起。

6.一种基于轻量级卷积神经网络的人脸检测系统，以SSD检测框架为基础，在特征提取时采用所设计的轻量卷积级神经网络作为主干网络，其特征在于，包括：

数据处理模块，用于建立人脸数据库，进行图像预处理，生成训练样本；

轻量卷积级神经网络模块，基于输入的所述样本，利用轻量级卷积神经网络进行特征提取；所述轻量级卷积神经网络包括卷积核大小分别为3x3和1x1的卷积层；

特征融合模块，用于对主干网络的不同特征层进行融合，并输出多尺度特征图；

锚点框选取模块，用于设置锚点框的宽高比。

7.根据权利要求6所述的基于轻量级卷积神经网络的人脸检测系统，其特征在于，所述轻量级卷积神经网络包括：依次连接的1个A block和5个B block，其中，A block中卷积的通道数设置为16，各个B block的通道数依次设置为16、32、64、128、128。

8.根据权利要求7所述的基于轻量级卷积神经网络的人脸检测系统，其特征在于，所述A block通过卷积核大小为3×3，步长为2的卷积层实现降采样，其后添加卷积核大小为1×1，步长为1的卷积层达到输入特征降维的目的，每个卷积层后面均依次连接用于提高网络的非线性特征的Batch Normalization和非线性函数ReLU。

9.根据权利要求8所述的基于轻量级卷积神经网络的人脸检测系统，其特征在于，所述B block通过卷积核大小为2×2的最大池化层实现降采样，其步长为2，随后依次连接了卷积核大小为3×3、1×1、3×3的卷积层，每个卷积层步长为1，且后面均依次连接用于提高网络的非线性特征Batch Normalization和非线性函数ReLU。

10.根据权利要求6所述的基于轻量级卷积神经网络的人脸检测系统，其特征在于，所述特征融合模块包括卷积核大小分别为3×3和1×1的卷积层，且步长均为1，其使用反卷积进行上采样，并采用元素求和的方式将低层特征图和变换后的高层特征图融合在一起。