【人脸识别系统中人脸检测和人脸对齐设计3900字】

11.1人脸检测器网络结构设计 1 2 4 51.2.1人脸关键点定位 5 5 71.1人脸检测器网络结构设计人脸检测人脸框人脸检测人脸对齐人脸对齐人脸检测器图3-1人脸检测器FPN的特征金字塔结构，以及SSH多语义特征提取模块；这是所要讲解的一部2的anchors设计分配的一个特点，可以根据不同的场景相应anchors的设计；最后，就是所额外添加的关键点landmarks分支的特征，当然，缺点就是模型文件较大，推理速度较慢；也有轻量的MobileNet该是足够的，当然，要是论文或是比赛方面的话，所到的精度应该是不太行人脸数据集Widerface验证集上测试的时候，采用多尺度的图像金字塔，可以在最后是多语义模块SSH,也是借鉴于有关的一篇文章，这里采用的如图3-2所示的设计，首先利用的是两个分支，3*3的卷积块进行一个多语义的一个信息3别更准确的操作，这里所要预测的人脸关键点，是常用的5点关键点，即左右两侧的眼睛和嘴角，还有中间部分的鼻子，此外人脸关键点还有68点预测法，96适合的才是最好的。这里的5点人脸关键点已经可以满足要求。如公式3-1所示，这是之前常见的目标检测的所用的损失函数的设计，包括后，在这个的基础上，利用RetinaFace的实验组所作的工作，对widerface数据采用的也是和目标框回归所一样的损失函数。具体公式可见3-2。其中I和I2是进行不同的设计实验，这里所采用的是2和1,即一个2:1的比例设计；Loss=LoSScls(xi,xi)+I₁xiLossbox(t;,t4的所面临的问题，这里所采用的方法是通过采用正负样本1:3来进行一个损失取一个正样本比例的3倍，来完成负样本的选取，进而进行后续的训练。1.1.3anchor机制进行操作。首先P2层所得的的特征图的大小是(80*80),即(640/8,640/8),个像素点，即(0,0),(0,1),….,(0,80),依次进行相应的遍历，每个中即40*40,即有1600个中心点，然后以步长为16进行一个移动，同样也是每个要计算得到的人脸框，也就是正样本，通常IOU的阈值设置在0.5左右，当然，485练过程中联合目标框回归和关键点检测一同进行级联学习，最后在wi评测验证集上，通过对Hard部分的测试，发现这部分的设计还是对人脸检测器如公式3-2所示Losspts(lm;,Im;)便是代表的人脸的关键点这部分设计，前者Im;代表的是真实的目标人脸的5个关键点坐标信息，Im;代表的是网络模型所预测的人脸的5个关键点坐标信息，两者连进行一个损失的计算，通过优化器和损是可以让模型更多的学习一些小人脸特征，提高其在widerface数据集中Hard部后续人脸识别的操作。这样设计的出发点是什么呢?一个简单的原因便是，在生理方法，即把提取到的2维的人脸图像变化到一个预设的人脸模板上，通常这个预设的人脸模板采用的大小是112*112,当然，不同场景需求可以有不同尺寸，也有96*96尺寸的，自然尺寸的降低，会带来一个速度上的提升，但是特征信息方面会损失一部分，是一个速度和性能的权衡把。预设的人脸模板如图3-3。00即调用transform.SimilarityTransform()函数7图3-4原输入图像图3-4是测试的一张目标人脸较多的图片，图3-5是经过检测器所得到的图如图3-6。综上所得，可以看出检测器在速度和性能方面，都forward_pass_time:0forward_pass_time:0.forward_pass_time:0.0153sforward_pass_time:0forward_pass_time:0forward_pass_time:0forward_pass_time:0forward_pass_time:0forward_pass_time:0fo