CN110263774A 一种人脸检测方法 （珠海亿智电子科技有限公司）

滤掉非人脸的样本并回归出更加精确的位置坐将结合前两个网络的预测结果对每个样本的旋2步骤3、角度仲裁机制结合第一级网络人脸朝向的预测结果和第二级网络人脸朝向的其中，表示训练样本的分类标注，下标f表示人脸分类任务，当输入为正样本时，定义为：其中，表示训练数据的旋转方向标注，当输入样本的旋转角度落在第个旋转角度时否则在训练中，T=4，T表示四种不同的旋转角度，表示网络预测示右下点横坐标的相对偏移量，表示右下点纵坐标的相对偏移量，和表示预测的宽3和高，分别表示训练数据中每个人脸边框的左上点坐标和右下点坐标，,其中，N表示训练进程中每个簇的大小，W表示每张人脸上关键点个数，表示训练中第n张人脸两只眼睛的连线与图片横轴的夹角，cos表脸第m个关键点预测值与真实值之间的距离，表示二范数，表示对第n个训练样本n=1。4[0003]本发明聚焦于解决平面旋转不变的人脸及其关键点检测问题，相比于俯仰和侧MultiviewFaceDetection[J].IEEETransactionsonPatternAnalysisand结果作为最后的预测输出。STN（JaderbergM,SimonyanK,ZissermanA,etal.S,KanM,etal.Real-TimeRotation-InvariantFaceDetectionwithCascadeforFacialPointDetection[C]//ComputerVisionandPatternbyDeepMulti-taskLearning[C]//EuropeanConferenceonComputerVision.5taskLearningFrameworkforFaceDetection,LandmarkLocalization,PoseEstimation,andGenderRecognition[J].IEEETransactionsonPatternAnalysis,DivvalaS,GirshickR,etal.YouOnlyLookOnce:Unified,Real-Time步骤3、角度仲裁机制将结合前两个网络的预测结果对每个样本的旋转角度做,其中，表示训练样本的分类标注，下标f表示人脸分类任务，当输入为正样本时，6定义为：,,,高，分别表示训练数据中每个人脸边框的左上点坐标和右下点坐标，分别表示网络预测的边框的左上点坐标和右下点坐,第n张人脸两只眼睛的连线与图片横轴的夹角，co级网络人脸朝向的预测结果的最高置信度与第一级网络人脸朝向的预测结果的最高置信78在提高其中正样本的置信度而降低负样本的置信度，从而达到进一步去除负样本的目的，,其中，表示训练样本的分类标注，下标f表示人脸分类任务，当输入为正样本时，定义为：,,,9高，分别表示训练数据中每个人脸边框的左上点坐标和右下点坐标，分别表示网络预测的边框的左上点坐标和右下点坐,第n张人脸两只眼睛的连线与图片横轴的夹角，co结构对错误预测结果的传导也是级联的，这将导致前面的错误结果在后面的阶段无法挽DetectioninUnconstrainedSettings.TechnicalReportUM-CS-2010-009.[0024]AFLW（MartinKöstinger,WohlhartP,RothPM,etal.AnnotatedFacialLandmarksintheWild:Alarge-scale,real-worlddatabaseforfaciallandmarklocalization[C]//IEEEInternationalConferenceonComputerVisionWorkshops,ICCV2011Workshops,Barcelona,Spain,November6-13,2011.IEEE,本发明的测试和测试均采用Caffe深度学习框架，训练中采用随机梯度下降法进行优化，具体的，三个子网络的训练批量大小分别设置为400，300和200，初始学习率设置为HeK,GirshickR,etal.FasterR-CNN:TowardsReal-TimeObjectDetectionwithRegionProposalNetworks[J].2015.以及其他流行的方法在FDDB数据集上进行了对比测试，结果表明本方法在不同旋转角度在误检率一定的情况下保持较高的召回率，Rotation-InvariantFaceDetectionwithProgressiveCalibrationNetworks[J].比了是否联合训练人脸检测和角度分类以及是否联合训练人脸检测