[发明专利]一种级联检测中分块优化的方法

说明书

本发明提供一种级联检测中分块优化的方法，所述方法包括以下步骤：S1，将图像分为16块，图像宽的方向分为四块，高的方向分为四块，确定图像金字塔列表里的最后三个；S2，所述16块的分块标准及块移按以下公式计算：(INPUT_W‑WLEN_W)/INC_W+1＝FN_W 公式(1)；(INPUT_H‑WLEN_H)/INC_H+1＝FN_H 公式(2)；INC_W＝(INPUT_W–MIN_OBJECT_SIZE)/FN_W 公式(3)；其中，INPUT_W/INPUT_H为输入图像的宽/高；WLEN_W/WLEN_H为分块的宽/高长度；INC_W/INC_H为块移；FN_W/FN_H是在横向/纵向要分的块数；MIN_OBJECT_SIZE为最小检测物体大小，其保证跨越两块之间的最小物体不漏检。由此，本申请的优势在于：通过分块优化的方式使得级联检测中的效得到大幅提升。

技术领域

本发明涉及神经网络领域，特别涉及一种级联检测中分块优化的方法。

背景技术

人工智能领域中神经网络技术日益发展迅猛。其中MTCNN技术也是近年来较为流行的技术之一。MTCNN，Multi-task convolutional neural network(多任务卷积神经网络)，将人脸区域检测与人脸关键点检测放在了一起，总体可分为P-Net、R-Net、和O-Net三层网络结构。用于人脸检测任务的多任务神经网络模型，该模型主要采用了三个级联的网络，采用候选框加分类器的思想，进行快速高效的人脸检测。这三个级联的网络分别是快速生成候选窗口的P-Net、进行高精度候选窗口过滤选择的R-Net和生成最终边界框与人脸关键点的O-Net。

但是，在现有技术中，也存在如下缺点：当前深度学习算法如果不依赖GPU或NPU等硬件加速处理器在嵌入式平台上纯粹靠CPU运行会非常吃力，客户体验也会非常不好，CPU占用率居高不下，落地困难。

此外，现有技术中常用的技术术语包括：

级联卷积网络：就是设计N阶网络，由粗到精对任务进行处理。

图像金字塔：就是将图像按一定尺度进行变换，以适应对不同大小的人脸进行检测。

最小检测大小：如果检测目标宽高小于最小检测大小，模型没有检测能力。

发明内容

为了解决上述问题，本发明的目的在于：通过本方法实现依靠CPU工作就能够降低CPU负载，提升用户体验。

具体地，本发明提供一种级联检测中分块优化的方法，所述方法包括以下步骤：

S1，将图像分为16块，图像宽的方向分为四块，高的方向分为四块，确定图像金字塔列表里的最后三个；

S2，所述16块的分块标准及块移按以下公式计算：

(INPUT_W-WLEN_W)/INC_W+1＝FN_W公式(1)

(INPUT_H-WLEN_H)/INC_H+1＝FN_H公式(2)

INC_W＝(INPUT_W–MIN_OBJECT_SIZE)/FN_W公式(3)

其中，

INPUT_W/INPUT_H为输入图像的宽/高；

WLEN_W/WLEN_H为分块的宽/高长度；

INC_W/INC_H为块移；

FN_W/FN_H是在横向/纵向要分的块数；

MIN_OBJECT_SIZE为最小检测物体大小，其保证跨越两块之间的最小物体不漏检。

由此，本申请的优势在于：通过分块优化的方式使得级联检测中的效得到大幅提升，充分考虑到了大小目标的检测范围，且与整帧检测效果没有差异。