[发明专利]一种基于GIoU和加权NMS改进的人脸关键点检测方法

摘要

本发明涉及一种基于GIoU和加权NMS改进的人脸关键点检测方法，首先，采用一个轻量级级联式人脸目标检测网络对图像中的人脸目标进行检测和旋转角度检测，其中采用GIoU替代IoU作为目标框位置精度指标，并采用IoU损失进行位置回归；其次，对获取的人脸目标采用加权NMS抑制方法，获取图像中置信度高的人脸目标框；最后，采用一个轻量级级联式人脸关键点检测网络，对人脸关键点进行检测和回归。相较传统卷积网络，提高了速度，增强算法实时性，在不额外增加运算量的前提下提高网络检测精度。解决了传统的目标检测加人脸关键点检测方法实时性差的问题，可在保证检测精度的情况下，对复杂环境中多个不同旋转方向人脸目标进行实时的关键点检测。

主权项

1.一种轻量级人脸检测卷积神经网络模型，其特征在于：网络模型为两层Stage1和Stage2，每层网络采用“深度可分离卷积+Leaky ReLU”的结构分别为四层或五层的卷积神经网络，深度可分离卷积的参数设置为S＝3，P＝same，Stride＝2，K参数在conv1层中为16，并逐层倍增；所述Stage1对对输入的可见光图像进行人脸目标的检测，输出人脸目标四维坐标、旋转角度以及置信度；所述Stage2中实现人脸目标四维坐标信息的回归和人脸具体旋转角度的回归；/n(1)采用深度可分离卷积网络设计网络框架：将传统卷积分解为一个深度卷积和一个1*1卷积，深度卷积针对每张输入特征图的卷积核个数固定为1；该卷积方式的卷积参数有K,S,P,Stride，其中K为1*1卷积核的数量，也是其输出特征图的数量；S为卷积核大小；P为卷积过程中的padding方式；Stride为卷积核的步长；/n输入图像或特征图的参数为W