[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

说明书

本发明属于计算机视觉检测技术领域，具体涉及一种基于轻量级卷积神经网络的人脸检测方法及系统。本方案首先需要解决的关键问题是将模型优化成轻量级模型，减少计算量、提高运算速度，其次实现网络的轻量化的同时需要保证人脸检测模型的精确度，因此平衡网络轻量级和准确率，需要能在轻量级人脸检测网络模型的基础上研究如何提高算法的准确率是本方案解决的关键问题。本案在检测精度、模型大小、检测速度综合方面具有一定优势，该网络与基于VGG16的人脸检测算法相比，保证了一定的精度，在检测速度、模型大小等方面更具有优势。

技术领域

本发明属于计算机视觉检测技术领域，具体涉及一种基于轻量级卷积神经网络的人脸检测方法及系统。

背景技术

检测问题是计算机视觉的一个传统问题，其中人脸检测又是其中最重要的一项。随着计算机成像技术的日益成熟，加之人脸检测算法的发展，人脸检测在现今社会中开始扮演越来越重要的角色，比如机场安检、公司打卡、公共场合监控、电子设备免密进入等等，人脸检测都有其用武之地。

现有的人脸检测方法大致可以分为两类。一类是基于模板匹配，通过模板与需要检测的图片进行对比，来确定该图片是否为人脸，对人脸不变性特征比如轮廓特征、颜色特征、纹理特征等建立模板，通过计算输入图像与人脸模板的相似度判断该区域是否包含人脸，基于模板匹配的算法依赖于静态场景中事先建立好的人脸模板，在尺度变化大的动态场景中，效果比较差。另一类是基于特征统计，将人工构造的特征与机器学习中的分类器算法如人工神经网络和Adaboost等相结合，在大量人脸样本中进行统计学习，对待测图像中某一区域是否能通过分类器进行正确分类来达到人脸检测的目的，基于特征统计的检测算法受制于人工设计的特征算子，不能充分获取到图像中更高层的表征。

卷积神经网络在图像分类问题上取得成功之后很快被用于人脸检测问题，在精度上大幅度超越之前的AdaBoost框架，当前已经有一些高精度、高效的算法。

基于深度学习的人脸检测网络技术取得了突破性的进展，但是在实时性与准确性的平衡上仍然有许多不足。随着卷积层深度的增加，它能提取更好的特征，检测精度会提高，但是计算量也越大，意味着检测速度变慢，如 SSD框架以及由此衍生出各种改进的SSD模型，基于VGG-Net的SSD模型虽然在检测精度得到了提升,但是由于其模型计算量较大，检测速度较慢，难以满足实时应用需求。如需实现实时人脸检测,则需要对神经网络进行剪枝优化,这会牺牲一定的检测精度，因此如何做到能保持检测精度，同时又能压缩网络，使检测速度变快，是当前人脸检测面临的主要技术问题。

发明内容

为了解决现有技术中存在的技术缺陷，本发明提出了一种基于轻量级卷积神经网络的人脸检测方法及系统。

本发明通过以下技术方案实现：

一种基于轻量级卷积神经网络的人脸检测方法，其包括步骤：

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。