一种人脸图像的检测方法及装置专利检索-剪枝人工智能专利检索查询-专利查询网

一种人脸图像的检测方法及装置

阅读：280发布：2020-05-12

专利汇可以提供一种人脸图像的检测方法及装置专利检索，专利查询，专利分析的服务。并且本发明涉及人脸检测技术领域，特别是涉及一种人脸图像的检测方法及装置，包括以下步骤：第一步，获取包含人脸图像的待检测图像；第二步，通过分类网络对包含人脸图像的待检测图像进行特征信息提取；第三步，将所述特征信息传递到检测网络中，定位人脸区域输出，使用含有残差单元密集连接网络Condensenet作为特征提取网络，采用SE模块对密集连接网络Condensenet进行连接，强化有用特征信息，使用YOLOv3特有的YOLO层作为检测层，对大中小三个尺度的特征信息进行检测，Condensenet做到不同的卷积块的特征图也能连接，相邻的卷积块通过池化层得到适合尺寸来连接，这样使得特征信息接收更为完整，还可以解决一定的深度卷积网络的梯度消失的问题，更大程度的提高检测精度。，下面是一种人脸图像的检测方法及装置专利的具体信息内容。

权利要求

1.一种人脸图像的检测方法，其特征在于，包括以下步骤：
第一步，获取包含人脸图像的待检测图像；
第二步，通过分类网络对所述包含人脸图像的待检测图像进行特征信息提取，所述的分类网络为含有残差单元密集连接网络Condensenet；
第三步，将所述特征信息传递到检测网络中，定位人脸区域输出，所述的检测网络采用YOLOv3层作为检测层。
2.根据权利要求1所述的人脸图像的检测方法，其特征在于，所述通过分类网络对所述包含人脸图像的待检测图像进行特征信息提取，包括：
①采用L-conv模块和G-conv模块的卷积层进行连接；
②通过所述L-conv模块对卷积网络进行神经元传递特征信息的训练；
③通过所述G-conv模块对训练过的L-conv模块进行权重分析，将传递无效信息的卷积层进行剪枝处理，减少参数计算量。
3.根据权利要求2所述的人脸图像的检测方法，其特征在于，所述通过分类网络对所述包含人脸图像的待检测图像进行特征信息提取，还包括：
①将所述L-conv模块和G-conv模块组成的卷积模块与SE模块进行连接；
②重新定义权重；
③通过所述的卷积模块或者SE模块传递特征信息。
4.根据权利要求1所述的人脸图像的检测方法，其特征在于，所述的将所述特征信息传递到检测网络中，定位人脸区域输出，包括：
① 选定所述分类网络中的三层输出作为YOLO层的输入；
②对大尺度、中尺度和小尺度三个尺度的特征信息进行检测，所述小尺度为所述分类网络的输出大小，所述中尺度为所述小尺度大小的两倍的输出层，所述大尺度为所述中尺度大小的两倍输出层；
③将所述含有残差单元密集连接网络Condensenet中卷积过后的7*7、14*14、28*28作为三个拼接尺度，完成拼接后再检测。
5.一种人脸图像的检测装置，其特征在于，包括：
图像获取模块，用于获取包含人脸图像的待检测图像；
分类模块，用于对待检测图像进行特征信息提取；
检测模块，用于对特征信息进行检测，定位人脸区域输出。
6.如权利要求5所述的人脸图像的检测装置，其特征在于，所述分类模块包括：
卷积模块，用于对包含人脸图像的待检测图像进行特征信息提取；
SE模块，用于传递信息和强化有用的特征信息。
7.一种电子设备，包括存储器、处理器和计算机程序，所述的计算机程序存储在所述存储器中，并可以在所述处理器上运行，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至4中任一项所述的方法。

说明书全文

一种人脸图像的检测方法及装置

技术领域

[0001] 本发明属于人脸检测技术领域，特别是涉及一种人脸图像的检测方法及装置。

背景技术

[0002] 目前电子商务发展迅速，人脸识别成为最有潜力的生物身份验证手段，这种应用背景要求自动人脸识别系统能够对一般图象具有一定的识别能力，由此所面临的一系列问题使得人脸检测开始作为一项独立的课题受到研究者的重视。经统计，网络上传播的流量有近80％是多媒体内容，多媒体应用已经成为互联网应用的重要内容。流媒体(Streaming Media)是指视频、声音和数据通过实时传输协议以连续流方式顺序从源端向目的地传输，目的地只需收到一定数据缓存后就可以立即播放的多媒体应用，可以实现“边下载边播放”。

[0003] 随着深度学习技术的迅速发展，传统的目标识别与检测算法被新的多种多样有效的目标识别与检测算法所取代。加之硬件设施的处理速度也不断提高，使深度卷积神经网络在硬件上的实时实现变成一种可能。随之利用深度卷积神经网络对图像进行检测和识别的方式应用的范围变广，效果也越来越好。此后深度残差网络和深度密集网络等网络的提出，使深度卷积神经网络的层数加深，过拟合现象得以减小，识别效果也准确许多，但是同时速度就因此变慢。所以近期提出了轻量级的网络，对深度网络进行剪枝和量化处理，使得应用于检测与识别的速度在保证准确度的同时得以提升。目前的目标检测网络中存在很多为保证精度而需要分两步完成检测，一步生成候选框后一步进行预测结果，很大程度上的牺牲了速度，又以YOLO为首的一些一步检测的目标检测网络，速度可以达到近乎实时但是对小物体的精度又不能得以保证，人脸检测在很多领域还存在检测精度上和检测速度上的弊端，因此现有技术当中亟需要一种新型的技术方案来解决这一问题。

发明内容

[0004] 针对现有技术的不足，本发明提供一种人脸图像的检测方法及装置，可有效解决现有人脸检测技术检测精度和检测速度上的问题。

[0005] 本发明解决技术问题所采用的技术方案是，一种人脸图像的检测方法，包括以下步骤：

[0006] 第一步，获取包含人脸图像的待检测图像；

[0007] 第二步，通过分类网络对所述包含人脸图像的待检测图像进行特征信息提取，所述的分类网络为含有残差单元密集连接网络Condensenet；

[0008] 第三步，将所述特征信息传递到检测网络中，定位人脸区域输出，所述的检测网络采用YOLOv3层作为检测层。

[0009] 进一步地，所述通过分类网络对所述包含人脸图像的待检测图像进行特征信息提取，包括：

[0010] 采用L-conv模块和G-conv模块的卷积层进行连接；

[0011] 通过所述L-conv模块对卷积网络进行神经元传递特征信息的训练；

[0012] 通过所述G-conv模块对训练过的L-conv模块进行权重分析，将传递无效信息的卷积层进行剪枝处理，减少参数计算量。

[0013] 进一步地，所述通过分类网络对所述包含人脸图像的待检测图像进行特征信息提取，还包括：

[0014] 将所述L-conv模块和G-conv模块组成的卷积模块与SE模块进行连接；

[0015] 重新定义权重；

[0016] 通过所述的卷积模块或者SE模块传递特征信息。

[0017] 进一步地，所述的将所述特征信息传递到检测网络中，定位人脸区域输出，包括：

[0018] 选定所述分类网络的三层输出作为YOLO层的输入；

[0019] 对大尺度、中尺度和小尺度三个尺度的特征信息进行检测，所述小尺度为所述分类网络的输出大小，所述中尺度为所述小尺度大小的两倍的输出层，所述大尺度为所述中尺度大小的两倍输出层；

[0020] 将所述含有残差单元密集连接网络Condensenet中卷积过后的7*7、14*14、28*28作为三个拼接尺度，完成拼接后再检测。

[0021] 一种人脸图像的检测装置，包括：

[0022] 图像获取模块，用于获取包含人脸图像的待检测图像；

[0023] 分类模块，用于对待检测图像进行特征信息提取；

[0024] 检测模块，用于对特征信息进行检测，定位人脸区域输出。

[0025] 进一步地，所述分类模块包括：

[0026] 卷积模块，用于对包含人脸图像的待检测图像进行特征信息提取；

[0027] SE模块，用于传递信息和强化有用的特征信息。

[0028] 一种电子设备，包括存储器、处理器和计算机程序，所述的计算机程序存储在所述存储器中，并可以在所述处理器上运行，所述处理器执行所述计算机程序时实现如上所述人脸图像的检测方法任一项所述的方法。

[0029] 通过上述设计方案，本发明可以带来如下有益效果：本发明通过将含有残差单元密集连接网络Condensenet作为分类网络，密集连接网络Condensenet做到不同的卷积块的特征图也能连接，相邻的卷积块通过SE模块的池化层得到适合尺寸来连接，这样使得特征信息接收更为完整，还可以解决一定的深度卷积网络的梯度消失的问题，更大程度的提高检测精度。附图说明

[0030] 图1为本发明人脸图像的检测方法的流程示意图。

具体实施方式

[0031] 为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明，应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

[0032] 如图1所示，本发明解决技术问题所采用的技术方案是，一种人脸图像的检测方法，包括以下步骤：

[0033] 第一步，获取包含人脸图像的待检测图像；

[0034] 第二步，通过分类网络对所述包含人脸图像的待检测图像进行特征信息提取，所述的分类网络为含有残差单元密集连接网络Condensenet；

[0035] 第三步，将所述特征信息传递到检测网络中，定位人脸区域输出，所述的检测网络采用YOLOv3层作为检测层。

[0036] 本发明通过所述L-conv模块和G-conv模块的密集连接，对输入图像进行特征提取，并连接SE模块，通过自动学习对卷积进行连接选择，特征提取过后通过YOLO层对大中小三个尺度的特征进行检测。

[0037] 进一步地，所述通过分类网络对所述包含人脸图像的待检测图像进行特征信息提取，包括：

[0038] 采用L-conv模块和G-conv模块的卷积层进行连接；

[0039] 通过所述L-conv模块对卷积网络进行神经元传递特征信息的训练；

[0040] 通过所述G-conv模块对训练过的L-conv模块进行权重分析，将传递无效信息的卷积层进行剪枝处理，减少参数计算量。

[0041] 进一步地，所述通过分类网络对所述包含人脸图像的待检测图像进行特征信息提取，还包括：

[0042] 将所述L-conv模块和G-conv模块组成的卷积模块与SE模块进行连接；

[0043] 重新定义权重；

[0044] 通过所述的卷积模块或者SE模块传递特征信息。

[0045] 在提取特征信息的过程中，通过所述L-conv模块对特征信息传递的是否有效进行训练，通过G-conv模块对L-conv模块进行权重分析，将传递无效信息的冗余卷积层进行剪枝，减少参数计算量，在保证精度的情况下提高检测速度，连接SE模块则是通过其Gobal池化层进行压缩特征，再通过两个全连接进行激活，经过激活函数后，重新对该层进行权重值标定。

[0046] 进一步地，所述的将所述特征信息传递到检测网络中，定位人脸区域输出，包括：

[0047] 选定所述分类网络中的三层输出作为YOLO层的输入；

[0048] 对大中小三个尺度的特征信息进行检测；

[0049] 将所述含有残差单元密集连接网络Condensenet中卷积过后的7*7、14*14、28*28作为三个拼接尺度，完成拼接后再检测。

[0050] 在检测过程中，选定所述分类网络中的三层输出作为连接YOLO层的输入，小尺度为分类网络的输出大小，中尺度选择尺度为小尺度大小的2倍的输出层，因为小尺度检测一次后需要通过上采样拼接到中尺度，由此，大尺度选择尺度为中尺度大小的2倍层，将condensenet网络中卷积过后的7*7、14*14、28*28作为三个拼接尺度，完成拼接后再检测，尽量保证信息传递完整无遗漏。

[0051] 本发明提供了人脸检测技术的提高精度和检测速度的方法，将有密集连接的轻量级网络Condensenet作为分类网络，并采用Squeeze and Excitation模块进行局部连接，强化有用特征信息，将YOLOv3特有的YOLO层作为检测层，将大中小三个尺度的特征进行检测，融合后再检测。

[0052] 对应于上文实施例所述的人脸图像的检测方法，本发明提供的人脸图像的检测装置，包括：图像获取模块，分类模块和检测模块。

[0053] 图像获取模块，用于获取包含人脸图像的待检测图像；

[0054] 分类模块，用于对待检测图像进行特征信息提取；

[0055] 检测模块，用于对特征信息进行检测，定位人脸区域输出。

[0056] 进一步地，所述分类模块包括：

[0057] 卷积模块，用于对包含人脸图像的待检测图像进行特征信息提取；

[0058] SE模块，用于传递信息和强化有用的特征信息。

[0059] 一种电子设备，包括存储器、处理器和计算机程序，所述的计算机程序存储在所述存储器中，并可以在所述处理器上运行，所述处理器执行所述计算机程序时实现如上所述人脸图像的检测方法任一项所述的方法。

[0060] 其中，以上所述仅为本发明的一种实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围内。

标题	发布/更新时间	阅读量
血橙种植方法	2020-05-12	153
卷积神经网络全连接层稀疏的权值矩阵的压缩方法及系统	2020-05-08	202
一种服务质量感知的虚拟网络映射方法和装置	2020-05-11	727
基于最大熵特征的葡萄分类提取方法	2020-05-08	867
一种茶园管理系统	2020-05-12	89
用于实时套牌车分析的决策树模型建立方法和使用方法	2020-05-08	997
考虑气象因素的精细化短期负荷预测方法、装置及介质	2020-05-08	127
基于睡眠与饮食分析的个性化机器学习精神压分析算法	2020-05-12	789
语音识别解码优化方法及装置	2020-05-08	390
一种果树种植用修整装置	2020-05-12	528

一种人脸图像的检测方法及装置

一种人脸图像的检测方法及装置

技术领域

背景技术

发明内容

具体实施方式

该功能需要专业版企业版VIP权限，您可以：