CN115240259B 一种基于yolo深度网络的课堂环境下人脸检测方法及其检测系统 （西安电子科技大学）

一种基于YOLO深度网络的课堂环境下人脸本发明公开了一种基于YOLO深度网络的课堂环境下人脸检测方法及其检测系统，在原始YOLOX算法上改进，在网络的空间金字塔池化结检测到课堂环境下的小尺度人脸并提高整体的让模型学习抑制无用的背景信息，提升检测精决PAFPN结构中存在的不一致问题；使用EIOU损失函数代替IOU损失函数，使真实框与预测框的课堂环境下采集的人脸检测数据集划分为训练2S3、构建基于YOLOX深度网络的课堂环境下人脸检测卷积神经网络，将其命名为S6、使用步骤S2处理后的训练集在步骤S5中得到的预训练模型基础上继续训练S7、使用步骤S1划分的测试集在步骤S6保存的网络S8、对步骤S7中得到的检测结果，利用F1系数2.根据权利要求1所述的一种基于YOLO深度网络的课堂环境下人脸检测方法，其特征3.根据权利要求1所述的一种基于YOLO深度网络的课堂环境下人脸检测方法，其特征4.根据权利要求1所述的一种基于YOLO深度网络的课堂环境下人脸检测方法，其特征S301、构建基于YOLO深度网络的课堂环境下人脸检测网络，命名为YOLOXs_face；S304、基于步骤S302的CBS模块构建Focus模块，该3S306、基于步骤S302的CBS模块和步骤S303的残差模块构建CSP_N模块和CSP2_N模块，S306的CSP_N模块和CSP2_N模块构建步骤S301人脸检测网络YOLOXs_face的特征提取模块S308、构建步骤S301人脸检测网络YOLOXs_face的S309、基于步骤S302的CBS模块和步骤S306的CSP2_N模块构建步骤S301人脸检测网络S311、基于步骤S302的CBS模块构建步骤S301人脸检测网络YOYoloHead网络，该网络由YoloHead模块组成；将步骤S310得到的三个融合特征层输入5.根据权利要求4所述的一种基于YOLO深度网络的课堂环境下人脸检测方法，其特征络、PAFAN网络和ASFF网络组成，特征点预测由YoloHead网络组成；所述步骤S307中，6.根据权利要求4所述的一种基于YOLO深度网络的课堂环境下人脸检测方法，其特征x5和3x3的最大池化操作组成。7.根据权利要求4所述的一种基于YOLO深度网络的课堂环境下人脸检测方法，其特征4用两个1x1卷积操作得到置信度和回归参数。8.根据权利要求1所述的一种基于YOLO深度网络的课堂环境下人脸检测方法，其特征9.根据权利要求1所述的一种基于YOLO深度网络的课堂环境下人脸检测方法，其特征检测模块，使用划分后的测试集在保存的最优网络模型上进行测试5[0009]现有技术方案包括基于传统手工特征的人脸检测方法和基于深度学习的人脸检测可能的人脸区域。这些检测器的性能在很大程度上取决于特征的计算效率和表达能力。暗等)的干扰，所以基于传统手工特征的人脸检测方法的应用场景受限且在复杂环境下的6核，能够帮助模型更轻松地检测到课堂环境下的小尺度人脸并提高整体的人脸检测性能；[0017]S3、构建基于YOLOX深度网络的课堂环境下人脸检测卷积神经网络，将其命名为[0020]S6、使用步骤S2处理后的训练集在步骤S5中得到的预训练模型基础上继续训练7步骤S306的CSP_N模块和CSP2_N模块构建步骤S301人脸检测网络YOLOXs_face的特征提取[0036]S308、构建步骤S301人脸检测网络YOLOXs_face的特征加强模块A该网络由三个CBAM注意力模块组成；将步骤S307得到的三个有效特征层分别输入到三个[0037]S309、基于步骤S302的CBS模块和步骤S306的CSP2_N模块构建步骤S301人脸检测由三个自适应空间特征融合模块组成；将步骤S309得到的三个加强特征层输入ASFF网络[0041]进一步的，步骤301中，特征提取模块由CSPDarkNet网络组成，特征加强模块由8[0044]进一步的，步骤S311中，YoloHead模块先使用卷积操作调整输入特征层的通道[0054]进一步的，步骤S5和步骤S6中，对人脸检测网络YOLOXs_face进行训练时，采用[0060]训练模块，在预训练模型的基础上，使用预处理模块处理后的训练集对YOLOXs_[0065]1)使用更小核的空间金字塔池化结构。空间金字塔池化结构的网络结构如图6所9模型更轻松地检测到课堂环境下的小尺度人脸并提高整体的人脸无关内容的目的。本发明在网络中加入注意力机制可以让模型学习抑制无用的背景信息，通过在PAFPN结构之后加入自适应空间特征融合模块来解决PAFPN结构中存在的不一致问[0080]本发明提供了一种基于YOLO深度网络的课堂环境下人脸YOLOX深度网络的课堂环境下人脸检测卷积神经网络；使用预训练数据集对网络模型进行YOLOXs_face网络包含特征提取模块、特征加强模块和特征点预测模块，特征提取模块由[0095]Focus模块在一张图片中每隔一个像素取一个值，将输入由三通道扩充到十二通三个提取到的特征层和初始特征层进行堆叠，再使用一个卷积核大小为1×1的CBS模块调步骤S306的CSP_N模块和CSP2_N模块构建步骤S301人脸检测网络YOLOXs_face的特征提取[0101]S308、构建步骤S301人脸检测网络YOLOXs_face的特征加强模块A该网络由三个CBAM注意力模块组成；将步骤S307得到的三个有效特征层分别输入到三个[0102]通道注意力模块：首先对输入特征层分别进行全局最大池化和全局平均池化处Sigmod激活函数进行处理得到输入特征层每个通道的权值,最后将权值与输入特征层相乘[0104]S309、基于步骤S302的CBS模块和步骤S306的CSP2_N模块构建步骤S301人脸检测采样的方式进行特征传递融合，再在FAN网络中通过下采样融合方式得到三个大小分别为由三个自适应空间特征融合模块组成；将步骤S309得到的三个加强特征层输入ASFF网络[0108]YoloHead模块先使用一个1×1卷积操作调整输入特征层的通道数，在将调整后[0120]S6、使用步骤S2处理后的训练集在步骤S5中得到的预训练模型基础上继续训练[0128]训练模块，在预训练模型的基础上，使用预处理模块处理后的训练集对YOLOXs_[0138]本发明用到的数据中的图像大小不一致，在数据预处理阶段将其大小统一至640[0139]下面分别利用F1系数与平均精度(AveragePrecision，AP)对本发明提出的的IOU值，并取最大的IOU值为MaxIOU。此时再设置一个门限阈值(一般设置为0.5)，当[0150]精确率(Precision)是针对预测结果而言的，表示的是预测为正的样本中有多少[0152]F1分数是用来衡量二分类模型精确度的一种[0154]平均精度(AveragePrecision，AP)是预测目标位置以及类别的这一类算法的性[0160]结合表2中的结果可以看出，本发明在YOLOX深度网络上进行的改进都是有效了0.1Attention指在网络中加入CBAM注意力机制模块，加入后模型的检测精度提升了0.05SPP(3,5,7)指在主干网络的空间金字塔池化结构中使用更小的池化核，这项改进分均衡，更适合课堂环境下的实时人脸检测任务。与YOLO_face算法相比，本发明提出的YOLOX