一种自学习的高精度人脸检测的方法技术

本发明专利技术公开了人脸检测领域的一种自学习的高精度人脸检测的方法，包括max‑out方法和数据增强方法，所述max‑out方法为通过网络输出代表“不是人脸”的若干得分b和代表“是人脸”的若干得分f，得到多组预测值，通过多组预测值取最大值的方式，获得最优预测值；所述数据增强方法包括以下步骤：S1：首先从训练数据中选取一个人脸，大小为Sface；S2：然后，在所有anchor box中，选取一个和该人脸大小最接近的一个，大小为Sanchor；S3：然后对该anchor box的大小在一定范围内随机，得到Srandom；S4：最后根据Srandom/Sface对所有训练数据进行缩放，提高小的人脸召回率的同时，减少了虚检的产生，通过扩展训练样本分布，有效地提升了深度学习网络的训练效果。

A self-learning and high-precision face detection method

【技术实现步骤摘要】
一种自学习的高精度人脸检测的方法
本专利技术涉及人脸检测
，具体为一种自学习的高精度人脸检测的方法。
技术介绍
随着深度卷积神经网络的发展，人脸检测技术也取得了很大的进展。但是在小的人脸检测方面，性能还不是很好，影响了整体精度的提升。目前基于深度学习的人脸检测算法，基本上都是采用基于anchorbox的方式。为了检测小的人脸，需要铺设大量的anchorbox，而实际图片中小的人脸数量又相对较少。训练中与实际人脸匹配的anchorbox称为正样本，没有匹配的anchorbox成为负样本，也就是说，训练中存在正负样本的极端不平衡，这就造成了小的人脸学习非常困难。另外，为了提升模型对于各种尺度的的泛化能力，一般都会使用大量的数据增强。虽然这些数据增强都有一定的效果，但是还有很大提升空间。针对这个问题，本专利技术专利提出一种高精度人脸检测方法。一方面通过max-out方法减轻正负样本平衡问题，另一方面，提出一种新的数据增强方法，扩大训练数据的分布。通过这两种方法，使整体人脸检测性能达到目前世界第一。
技术实现思路
本专利技术的目的在于提供一种自学习的高精度人脸检测的方法，以解决上述
技术介绍
中提出的问题。为实现上述目的，本专利技术提供如下技术方案：一种自学习的高精度人脸检测的方法，包括max-out方法和数据增强方法，所述max-out方法为通过网络输出代表“不是人脸”的若干得分b和代表“是人脸”的若干得分f，得到多组预测值，通过多组预测值取最大值的方式，获得最优预测值；所述数据增强方法包括以下步骤：S1：首先从训练数据中选取一个人脸，大小为Sface；S2：然后，在所有anchorbox中，选取一个和该人脸大小最接近的一个，大小为Sanchor；S3：然后对该anchorbox的大小在一定范围内随机，得到Srandom；S4：最后根据Srandom/Sface对所有训练数据进行缩放。优选的，所述得分b为三个，分别为得分b1、得分b2和得分b3，所述得分f也为三个，分别为得分f1、得分f2和得分f3。优选的，若干所述得分b和得分f的大小为w*h，所述w和h的大小根据输入图片大小得到。与现有技术相比，本专利技术的有益效果是：1、提出一种基于自学习的max-out方法，在提高小的人脸召回率的同时，减少了虚检的产生；2、提出一种新的数据增强方法，通过扩展训练样本分布，有效地提升了深度学习网络的训练效果；3、一种高精度的人脸检测方法，整体人脸检测性能达到目前世界第一。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术max-out方法示意图；图2为本专利技术数据增强方法示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本专利技术保护的范围。实施例一请参阅图1，本专利技术提供一种技术方案：一种自学习的高精度人脸检测的方法，包括max-out方法，所述max-out方法为通过网络输出代表“不是人脸”的若干得分b和代表“是人脸”的若干得分f，若干所述得分b和得分f的大小为w*h，所述w和h的大小根据输入图片大小得到，得到多组预测值，通过多组预测值取最大值的方式，获得最优预测值，最终两个得分的预测更加准确。比如输入图片大小为为512x512，则w和h可能为128x128，意味着存在128x128个候选区域，但是实际图片中人脸可能只有一百量级，甚至更少个人脸。所述得分b为三个，分别为得分b1、得分b2和得分b3，所述得分f也为三个，分别为得分f1、得分f2和得分f3。相对于现有两个得分预测的不准，避免会出现很多的虚检和漏检。不是组数越多越好，经过实验测试，我们最终采用3组预测值。另外，该方法不需要增加额外的监督信号，完全通过自学习。实施例二请参阅图2，一种自学习的高精度人脸检测的方法，包括数据增强方法，所述数据增强方法包括以下步骤：S1：首先从训练数据中选取一个人脸，大小为Sface；S2：然后，在所有anchorbox中，选取一个和该人脸大小最接近的一个，大小为Sanchor；S3：然后对该anchorbox的大小在一定范围内随机，得到Srandom；S4：最后根据Srandom/Sface对所有训练数据进行缩放。通过该方法，可以使训练样本的尺度分布得到很好的扩展。在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本专利技术的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。以上公开的本专利技术优选实施例只是用于帮助阐述本专利技术。优选实施例并没有详尽叙述所有的细节，也不限制该专利技术仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本专利技术的原理和实际应用，从而使所属
技术人员能很好地理解和利用本专利技术。本专利技术仅受权利要求书及其全部范围和等效物的限制。本文档来自技高网...

【技术保护点】
1.一种自学习的高精度人脸检测的方法，其特征在于：包括max-out方法和数据增强方法，/n所述max-out方法为通过网络输出代表“不是人脸”的若干得分b和代表“是人脸”的若干得分f，得到多组预测值，通过多组预测值取最大值的方式，获得最优预测值；/n所述数据增强方法包括以下步骤：/nS1：首先从训练数据中选取一个人脸，大小为Sface；/nS2：然后，在所有anchorbox中，选取一个和该人脸大小最接近的一个，大小为Sanchor；/nS3：然后对该anchorbox的大小在一定范围内随机，得到Srandom；/nS4：最后根据Srandom/Sface对所有训练数据进行缩放。/n

【技术特征摘要】
1.一种自学习的高精度人脸检测的方法，其特征在于：包括max-out方法和数据增强方法，
所述max-out方法为通过网络输出代表“不是人脸”的若干得分b和代表“是人脸”的若干得分f，得到多组预测值，通过多组预测值取最大值的方式，获得最优预测值；
所述数据增强方法包括以下步骤：
S1：首先从训练数据中选取一个人脸，大小为Sface；
S2：然后，在所有anchorbox中，选取一个和该人脸大小最接近的一个，大小为Sanchor；
S3：然后对该anchorb...

【专利技术属性】
技术研发人员：张发恩，范馨予，艾国，杨敏，
申请(专利权)人：创新奇智合肥科技有限公司，
类型：发明
国别省市：安徽;34