[发明专利]一种基于ShuffleNet改进的MTCNN人脸检测方法

权利要求书

1.一种基于ShuffleNet改进的MTCNN人脸检测方法，其特征在于：采用ShuffleNet中的通道混洗方法改进模型，包括以下形成步骤：

步骤一，将图像进行不同尺度的变换，构建图像金字塔；

步骤二，将图像金字塔所有图片输入到P-Net，经过三次卷积，一次池化，两次通道混洗，输出大量Bounding box坐标；

步骤三，根据Bounding box坐标去原图截出图片，resize为24*24；

步骤四，将size为24*24的图片输入R-Net,经过三次常规卷积，两次池化，两次通道混洗，一次逐点组卷积后，输出纠正后更加精确的Bounding box坐标；

步骤五，根据Bounding box坐标去原图截出图片，resize为48*48；

步骤六，将size为24*24的图片输入O-Net,经过四次常规卷积，三次池化，三次通道混洗，一次逐点组卷积后，输出准确的Bounding box坐标。

2.根据权利要求1所述的一种基于ShuffleNet改进的MTCNN人脸检测方法，其特征在于，步骤一中使用了图像金字塔来解决目标多尺度问题，即把原图按照一定的factor，多次缩放得到多尺度的图片。

3.根据权利要求1所述的一种基于ShuffleNet改进的MTCNN人脸检测方法，其特征在于，步骤二中P-NET是一个全卷积网络，卷积、池化、非线性激活都是接受任意尺度矩阵的运算。

4.根据权利要求1所述的一种基于ShuffleNet改进的MTCNN人脸检测方法，其特征在于，步骤二、四、六中进行卷积操作时采用通道混洗思想改进模型，在不同的组里平均分配特征通道，在进行卷积操作时每组的特征都能得到其他组的信息，增强不同通道的特征图之间的关联性。

5.根据权利要求1所述的一种基于ShuffleNet改进的MTCNN人脸检测方法，其特征在于，步骤四、六中进行逐点组卷积；逐点组卷积为组卷积与逐点卷积的组合应用，组卷积的作用是减少参数量，组卷积看成是结构化稀疏。

6.根据权利要求1所述的一种基于ShuffleNet改进的MTCNN人脸检测方法，其特征在于，改进后的MTCNN依然利用三个任务来训练模型，分别是：人脸分类，人脸边界框回归及人脸关键点回归，主要任务是人脸边界框回归。

7.根据权利要求1所述的一种基于ShuffleNet改进的MTCNN人脸检测方法，其特征在于对于每一个候选窗口，预测其与最近的人工标注的边界框的偏移量；学习的目标公式化为一个回归问题，对于每一个样本使用欧式距离来计算损失：

为网络回归输出的值，为人脸实际的标注的位置坐标，包括人脸框左上角在原始图像中的坐标、高度和宽度。

8.根据权利要求1所述的一种基于ShuffleNet改进的MTCNN人脸检测方法，其特征在于多源训练，直接使用一个样本类型指示器实现，整个学习目标函数公式化为；

其中，N为整个训练数据集样本的数量；α_j表示学习任务的重要程度，在对网络P-Net和R-Net进行训练时，α_j设置为(α_det＝1,α_box＝0.5,α_landmark＝0.5)，而训练O-Net时，为了使关键点位置更加精确，α_j设置为(α_det＝1,α_box＝0.5,α_landmark＝1)；为样本类型指示器；训练网络过程中使用随机梯度下降SGD来优化各阶段的CNN网络参数。