[发明专利]人脸定位方法、人脸模型训练与检测方法及装置

说明书

本发明公开了一种人脸定位方法、人脸模型训练与检测方法及装置，其包括以下步骤：对图像或视频进行人脸检测，得到人脸区域；对所述人脸区域添加人脸框，且所述人脸框带有旋转信息；根据所述旋转信息进行人脸定位：本发明采用具备旋转信息的人脸标注方案，不仅在训练匹配时提升了匹配的精度和训练效率，同时大大提升了现实场景中人脸多角度拍摄的性能；并且，本发明还通过有偏的人脸尺度采样方案，使得训练过程中人脸的尺度和锚点的密度相匹配，能够有效提升人脸检测装置的性能特别是对小人脸的性能；以及本发明的卷积神经网络模型采用深度分离卷积，大大降低计算量和内存占用，在保证检测性能的情况下提升检测速度。

技术领域

本发明涉及图像处理技术领域，特别是一种人脸定位方法、人脸模型训练与检测方法及装置。

背景技术

人脸检测是人脸相关算法，例如人脸对齐、人脸识别、人脸验证、年龄识别等等的基础和前置模块。

传统的人脸检测算法，主要采用构造人工特征诸如Haar算法、Hog算法等，然后构造判别器，通过扫窗的方式进行人脸检测。这当中最具代表性的当属Viola Jones算法。Viola Jones检测算法第一次实现了检测的实时性，算法采用积分图的方式计算Haar特征，极大地提升了速度，同时采用 Adaboost算法方法筛选特征，并且通过级联的方式过滤掉大部分背景框，大大减小了计算量。

随着深度学习的兴起，深度卷积神经网络逐步被用于检测领域。最具代表性的尝试工作当属RCNN三部曲，其包括分阶段检测方法和单阶段检测方法：

分阶段检测方法：Faster R-CNN至今仍然是代表性的二阶段检测的基准方法。该方法分为两个阶段：第一阶段利用全卷积网络预测候选框位置，第二阶段则根据候选框位置利用RoI-Pooling或者RoI-Align方法从网络特征图中获取对应区域的特征，然后用这个特征进行更精细的分类和位置回归。分阶段检测虽然精度较高，但是整个系统较为复杂，性能受限。因此，单阶段的检测方法随后被提出。

单阶段检测方法：SSD方法是单阶段检测的开山之作。该方法利用全卷积网络多尺度的特性，在不同的尺度层安插检测头部，同时进行前景背景的判定和候选框位置的回归。SSD之后涌现出了许多单阶段的检测方法，它们分别从不同的角度改进了检测算法的表现。其中，目前较为流行的人脸检测算法主要还是基于Anchor(锚点)的方法，匹配的策略采用类似于SSD的方式，通过IoU阈值进行筛选。

但是，Anchor检测方法仍然存在以下问题：

(1)人脸旋转问题：Anchor方法虽然在WIDER FACE评测集上表现相当出色，但是WIDER FACE评测集的人脸朝向相对单一，明显不符合实际场景人脸可能在各个角度上旋转这一事实分布。

(2)Anchor匹配问题：Anchor匹配的策略过于简单，直接给Anchor打上正负标签，匹配程度的Anchor拥有相同的标签不仅在训练上目标不明确，而且在后处理NMS中，对于候选框得分所附加的语义不同。虽然已经有类似的工作开始增加IoU得分的预测分支，或者引入中心得分(centerness)来缓解这个问题。但无论是IoU得分还是centerness都未能解决得分偏低的问题。

(3)尺度采样问题：当前人脸检测主流的训练采用方法都会根据anchor 的尺度进行采样，目标是提高anchor的匹配概率，方法是认为将人脸的大小缩放到anchor的尺寸。这种方法对于特定的评测集有一定的作用，在一定程度上缓解了人脸尺度上的“不平衡”和anchor分布在尺度上的不平衡。在个策略也是采用固定阈值的匹配策略下的折衷之举。

发明内容

本发明的主要目的在于提供了一种人脸定位方法、人脸模型训练与检测方法及装置，旨在对现有的人脸旋转问题、anchor匹配问题、尺度采样问题中的一个以上问题进行一一解决。

为实现上述目的，本发明提供了一种人脸定位方法，其包括以下步骤：