[发明专利]一种基于多任务的轻量级实时人脸检测方法

权利要求书

1.一种基于多任务的轻量级实时人脸检测方法，其特征在于，包括以下步骤：

S1、将含有人脸边框和人脸关键点标注的图片进行预处理，得到带有标签信息的训练图像，将所述训练图像送入轻量级卷积神经网络模型进行训练，直到在一定的时间内验证集精度在所述轻量级卷积神经网络模型中不再增加，得到训练好的轻量级卷积神经网络模型；

S2、将待检测图片输入S1训练好的轻量级卷积神经网络模型中进行检测，得到预测数据；

S3、将S2得到的预测数据通过阈值过滤掉低质量的预测数据，将过滤后的预测数据通过非极大值抑制得到最终的检测结果；

其中，S1中“将所述训练图像送入轻量级卷积神经网络模型进行训练”，具体包括：

S11、对训练图像上的标签进行编码，利用基于离群样本补偿的交并比匹配算法对编码后的标签与锚框进行匹配；

S12、将所述轻量级卷积神经网络模型输出的人脸检测预测数据与编码后的标签真实值进行多任务损失计算得到损失值；

S13、将S12得到的损失值通过反向传播进行权重文件更新；

S14、当所述训练图像全部数据集完成一次前向传播，进行一次验证集精度计算，当验证集精度趋于稳定且不再上升时，终止迭代，得到训练好的轻量级卷积神经网络模型；

所述基于离群样本补偿的交并比匹配算法，具体步骤如下：

S111、计算编码后的标签真实值与所有锚框的交并比，得到交并比的二维矩阵；

S112、将S111得到的二维矩阵中与真实值具有最大交并比的锚框匹配为对应真实值的正样本锚框，将交并比值大于阈值θ的锚框匹配为对应真实值的正样本锚框；

S113、找到S112中未匹配的锚框，根据未匹配锚框坐标偏量预测值，解码得到未匹配锚框的预测结果，将所述预测结果与所有标签的真实值再求一次交并比，得到第二个二维矩阵，将第二个二维矩阵中交并比阈值大于α的锚框设置为可忽略锚框；

S114、统计每个编码后的标签真实值在S112中的正样本锚框匹配数量，得到正样本锚框匹配数量少于N的真实值；

S115、根据第二个二维矩阵，对S114中得到正样本锚框匹配数量少于N的真实值再次匹配K个正样本锚框，所述K的值等于N减掉S112中已匹配正样本锚框的数量；

S116、将剩下的锚框设置为负样本锚框。

2.根据权利要求1所述的一种基于多任务的轻量级实时人脸检测方法， 其特征在于，S1中“将所述训练图像送入轻量级卷积神经网络模型进行训练”前，先使用ImageNet对所述轻量级卷积神经网络模型进行预训练，得到预训练权值文件，将所述预训练权值文件加载到所述轻量级卷积神经网络模型中。

3.根据权利要求1所述的一种基于多任务的轻量级实时人脸检测方法， 其特征在于，所述轻量级卷积神经网络模型包括轻量级卷积神经网络DFace-MobileNetV1、轻量级特征金字塔网络GLFPN、上下文增强模块DSSH以及多任务检测头部预测模块MutiHead，其中，所述轻量级卷积神经网络DFace-MobileNetV1用于对待检测图片的特征信息进行提取，得到多种尺度特征图，所述轻量级特征金字塔网络GLFPN用于对所述多种尺度特征图中的多种尺度特征进行融合，同时对所述多种尺度特征图中的全局信息与局部信息进行融合，所述上下文增强模块DSSH用于增大待检测图片中的目标感受野区域，所述多任务检测头部预测模块MutiHead用于输出所述轻量级卷积神经网络模型的人脸检测预测数据。

4.根据权利要求3所述的一种基于多任务的轻量级实时人脸检测方法， 其特征在于，所述轻量级卷积神经网络DFace-MobileNetV1基于MobileNetV1并进行改进，包括：

将MobileNetV1中的全连接层去除；

将MobileNetV1中的批量归一化调整为组归一化；

增加对待检测图片的输入尺度，将输入尺度设为640*640。