[发明专利]基于任务指导的轻量级人脸检测方法

说明书

本发明公开了一种基于任务指导的轻量级人脸检测方法，先将训练集进行数据增广，通过轻量级骨干网络在有限尺度空间内尽量保持原有特征，接着利用特征整合模块实现双分支架构且精简计算，再引入关联锚点辅助预测，以半监督方式生成人脸周边的头部、身体信息，最后应用任务指导型策略，对分类和回归分而治之，即构建选择性分类组专用于类别打分任务，构建选择性回归组专用于位置回归任务，将二者的损失加权求和，用以指导训练与学习过程直至收敛，进而实现对目标人脸的检测。本发明可达到工业级实时性标准，可被部署于边缘与终端设备上，对计算能力和内存大小的需求较低，且无需预训练网络，较适用于中、低检测难度的无约束场景。

技术领域

本发明属于图像处理技术领域，涉及一种基于任务指导的轻量级人脸检测方法。

背景技术

当计算机在工业生产、监管等方面逐渐普及，智能化设备内含的算法程序便成为了目前的研究重点。其中，目标检测因其广泛的应用场景是计算机视觉领域内当之无愧的最重要的分支，专注于从数字图像中检测出特定类(如人类、动物或汽车等)的可视化对象实例。人脸检测是目标检测领域里经典的二分类问题，即从图像中辨别出人脸、背景，并给出目标人脸所外接的矩形框的具体位置坐标。人脸检测利用机器去处理和分析海量图像、视频所包含的有效信息，在隐私保护、安防监控、社会管理等方面取得了突破性的进展，具体应用如3D人脸识别解锁手机、嫌犯追踪、刷脸验证和支付等。

随着深度学习的飞速发展，基于卷积神经网络的人脸检测方法以其强大的表征学习与非线性建模能力逐步取代了传统的人工模板匹配方法，通过自主习得面部特征，显著地提升了检测精度。目前多种人脸检测方法相继被提出，在公认的人脸检测基准上的精度均达到了领先水平，其模型大小基本都在百兆量级上，这些方法显然是想通过构建更加复杂的模型、引入更加全面的参数去提高准确率。

然而，当人脸检测被应用于边缘与终端设备上，如移动手机端或嵌入式结构，甚至摄像头内部时，这些设备受限于计算能力和内存大小，完全无法承载模型大小在百兆量级上的一些目前最先进的人脸检测方法。这些方法在公认的人脸检测基准上仅存在微小的性能数值差异，在实际应用中也很难被察觉，故而提高人脸检测在边缘与终端设备上的实时性尤为关键，这样才能在真正意义上实现工业级的落地标准。

实时性对网络模型的推理速度提出要求，意味着其模型结构、参数计算等方面务必精简，这在一定意义上也限制了特征提取的充分性，对检测精度的影响较大，因此在实际应用场景下，具备实时性的轻量级人脸检测方法仍然具有较大的准确率提升空间。而现有技术中尚无适用于边缘与终端设备，且能够在实时性和准确率中取得较好平衡的人脸检测方法。

发明内容

为解决上述问题，本发明提供了一种基于任务指导的轻量级人脸检测方法，着重在以下两方面进行改进和优化：一方面，在实时性与精确度之间权衡，通过轻量级骨干网络在有限尺度空间内尽量保留原有特征，并引入关联锚点，以半监督方式生成人脸周边的头部、身体信息，辅助目标人脸的检测；另一方面，利用特征整合模块实现双分支架构，防止高层语义对低层细节的破坏并精简计算，推理时应用任务指导型策略，对分类和回归分而治之，避免判别力不足的低层特征参与位置回归，缓解了不同层特征图之间的相互干扰，实现了算法模型的高效化。

为了达到上述目的，本发明提供如下技术方案：

基于任务指导的轻量级人脸检测方法，包括如下步骤：

步骤1，对WIDERFACE(目前最为权威的人脸检测基准)训练集进行数据增广；

步骤2，基于步骤1所得到的增广图片，以轻量级骨干网络提取基础特征，利用特征整合模块实现双分支架构，进而提取整合特征，并为用于预测的各分支、各层级特征图引入关联锚点，以半监督方式生成人脸周边的头部、身体信息；

步骤3，在训练参数初始化后，应用任务指导型策略，将分类和回归分而治之，对构建的选择性分类组和选择性回归组的损失进行加权求和，用以指导和监督模型的自主学习过程，待模型收敛后保存并进行检测。