[发明专利]无约束场景下的基于上下文推理的人脸检测方法

权利要求书

1.无约束场景下的基于上下文推理的人脸检测方法，其特征在于，包括如下步骤：

步骤1，对WIDERFACE训练集进行数据增广；

步骤2，基于步骤1的增广图片，以VGGNet-16作为基础特征提取网络，通过低层级特征金字塔网络加权地融合不同层的特征，并在预测环节采用上下文辅助预测模块扩充子网络，进而加深、加宽网络模型；

步骤3，在训练参数初始化后，应用多尺度训练方法指导模型的自主学习过程，当损失收敛后保存模型，并进行检测。

2.根据权利要求1所述的无约束场景下的基于上下文推理的人脸检测方法，其特征在于，所述步骤1具体包括如下子步骤：

步骤1.1：对WIDERFACE训练集中的图片进行水平翻转和随机裁剪，作为初步预处理，具体操作为：首先将输入图像扩展为原先尺寸的4倍，接着再对每一张图片进行镜像水平翻转，最后随机地裁剪出640×640的区域大小，即应用下式进行处理：

x_preprocess＝Crop(Flip(Extend(x_input)))

式中，x_input表示输入的训练集图片，Extend操作是采用填充均值的方式进行图片扩展，Flip操作表示随机地进行水平翻转，Crop为随机裁剪操作，x_preprocess则表示相应的初步预处理结果，其尺寸统一为640×640；

步骤1.2：采用色彩抖动、噪声扰动方式来模拟无约束场景下的干扰，再次对步骤1.1中得到的初步预处理结果x_preprocess进行不同程度地增强，进而得到综合处理后的增广图片x_process，如下式所示：

式中，Color操作表示色彩抖动方式，Noise(Gaussian)、Noise(Saltpepper)操作分别表示为图片加高斯噪声、椒盐噪声；

步骤1.3：采用自适应锚点取样方法对某图像中的人脸进行重塑，以此引入具有更高概率的更大人脸，具体操作为：在某一图像中选取一个大小为s_face的人脸，预设第i层特征图上的锚点尺度s_i如下式所示：

s_i＝2⁴⁺ⁱ

其中，i＝0,1,…,5；

将第i层特征图上与人脸大小s_face最接近的锚点的索引表示为：

其中，为第i层特征图的锚点尺度；

之后再在集合{max(0,i_anchor-1),1,…,min(5,i_anchor+1)}中依次选取索引i_result，最后将原图s_face调整大小至s_result：

以此得到该图像的整体尺寸的缩放比例为s^*：

s^*＝s_result/s_face

通过将原始样本图片按照s*缩放后，再随机裁剪出包含了选中人脸的640×640区域，即为经过自适应锚点取样后的训练样本图片。