摘要：

針對車站、商場等大型場所中客流量大、背景復(fù)雜等原因?qū)е露喑叨热四槞z測精度低的問題，建立了一種基于RefineDet多層特征圖融合的多尺度人臉檢測方法。首先利用第一級網(wǎng)絡(luò)進(jìn)行特征提取并在不同尺度的特征圖上粗略預(yù)估人臉位置；然后在第二級中通過特征金字塔網(wǎng)絡(luò)將低層特征與高層特征融合，進(jìn)一步增強(qiáng)小尺寸人臉的語義信息；最后，通過置信度和焦點(diǎn)損失函數(shù)對檢測框進(jìn)行二次抑制，達(dá)到邊框的精確回歸。實(shí)驗(yàn)中將人臉候選區(qū)域的寬高比只設(shè)置為1:1，以此來降低運(yùn)算量并提高人臉檢測精度。在Wider Face數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，該方法能有效檢測不同尺度的人臉，在Easy、Medium、Hard 3個子數(shù)據(jù)集上測試結(jié)果分別為93.4%、92%、84.4%的MAP，尤其對小尺寸人臉的檢測精度有明顯提高。

0 引言

人臉檢測[1]作為人臉識別[2-3]、人臉對齊、人臉驗(yàn)證[4]以及人臉跟蹤[5]等應(yīng)用的關(guān)鍵步驟，其首要任務(wù)是判斷視頻或給定圖像中是否存在人臉，再精確定位出人臉的位置和大小。在一些人臉目標(biāo)尺寸跨度大且小目標(biāo)眾多的應(yīng)用場景，人臉檢測的效果將直接影響人臉識別等后續(xù)技術(shù)應(yīng)用的準(zhǔn)確率，因此研究多尺度人臉檢測具有重要意義。 早期人臉檢測算法多是人工提取特征，訓(xùn)練分類器，再進(jìn)行人臉檢測。如VIOLA P A和JONES M[6]提出的Haar-Like與AdaBoost級聯(lián)的方法，其檢測速度較快，但對多尺度、姿態(tài)多樣性等情形檢測效果不理想。隨著深度學(xué)習(xí)在機(jī)器學(xué)習(xí)中的不斷發(fā)展，卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network，CNN)提取特征更加多樣化、魯棒性更好，在圖像識別以及目標(biāo)檢測等領(lǐng)域[7-8]得到廣泛應(yīng)用。其中以Faster R-CNN[9]為代表的算法首先通過區(qū)域預(yù)測網(wǎng)絡(luò)(Region Proposal Network，RPN)產(chǎn)生感興趣的候選區(qū)域，再對該區(qū)域提取尺度不變的CNN特征，最后對區(qū)域進(jìn)行分類和回歸。JIANG H[10]等將Faster R-CNN應(yīng)用于人臉檢測，取得了較好效果，但速度較慢。文獻(xiàn)[11]將人臉檢測與人臉關(guān)鍵點(diǎn)檢測結(jié)合，網(wǎng)絡(luò)層數(shù)淺，檢測速度快但精度較低。HU P[12]等人通過多尺度模板，利用圖像上下文信息來解決小尺寸人臉檢測精度較低的問題。 為進(jìn)一步提高人臉檢測精度，本文通過改進(jìn)RefineDet[13]網(wǎng)絡(luò)模型結(jié)構(gòu)，建立了一種多尺度人臉檢測模型。首先對待檢測圖像歸一化處理，利用CNN提取圖像特征，再通過特征金字塔網(wǎng)絡(luò)[14](Feature Pyramid Networks，F(xiàn)PN）將更底層的conv3_3特征圖與高層特征圖進(jìn)行融合，以便增強(qiáng)小尺寸人臉的語義信息，提高小目標(biāo)人臉的檢測精度。然后利用置信度和損失函數(shù)對檢測框進(jìn)行二次抑制，緩解類別失衡[15]問題。最后通過非極大值抑制算法得到精確回歸后的人臉檢測框和相應(yīng)的位置信息。根據(jù)人臉區(qū)域特點(diǎn)，將人臉候選框的寬高比只設(shè)為1:1，以減少計算量進(jìn)而提高檢測精度。

1 多尺度人臉檢測模型

1.1 改進(jìn)的RefineDet多尺度檢測模型網(wǎng)絡(luò)結(jié)構(gòu)

RefineDet是基于SSD[16]的改進(jìn)方法，以VGG16[17]作為特征提取的骨干網(wǎng)絡(luò)，包含fc6和fc7兩個全連接層轉(zhuǎn)換成的conv_fc6、conv_fc7以及擴(kuò)展的conv6_1、conv6_2。其檢測網(wǎng)絡(luò)模型結(jié)構(gòu)如圖1中虛線框部分所示，采用conv4_3、conv5_3、conv_fc7和conv6_2作為檢測層。

在CNN提取圖像特征的過程中，感受野[18]用來表示卷積神經(jīng)網(wǎng)絡(luò)每一層輸出的特征圖上的像素點(diǎn)在原始圖像上映射區(qū)域的大小。輸入RefineDet網(wǎng)絡(luò)的圖像，由于卷積層與池化層之間均為局部連接，神經(jīng)元無法對原始圖像的所有信息進(jìn)行感知，且每經(jīng)過一次2×2的最大池化層處理，特征圖變?yōu)樵瓉淼囊话?。隨著網(wǎng)絡(luò)層加深，特征圖會越來越小，小尺寸人臉的信息也會逐步丟失，提取的特征也更抽象。因此，越高層的特征圖對應(yīng)原始圖像的范圍越大，包含語義層次更高的特征；越低層的特征圖對應(yīng)原始圖像的范圍越小，包含的特征更趨向于局部細(xì)節(jié)?？梢姡瑢τ诮跋碌妮^大人臉需要更高層的特征圖進(jìn)行檢測，而遠(yuǎn)景下的小尺寸人臉可以在更低層的特征圖上檢測到。為了提高不同尺度的人臉檢測精度，進(jìn)一步改善整個網(wǎng)絡(luò)的檢測性能，本文在RefineDet特征融合部分加入更低層的conv3_3特征圖，以便檢測較小尺寸的人臉，并在conv6_2后面添加額外的conv7_1和conv7_2，以便檢測較大的人臉區(qū)域。改進(jìn)的RefineDet檢測網(wǎng)絡(luò)模型結(jié)構(gòu)如圖1所示，選取conv3_3、conv4_3、conv5_3、conv_fc7、conv6_2和conv7_2 6個層的特征圖作為檢測層。 網(wǎng)絡(luò)模型主要包括區(qū)域優(yōu)化模塊(Anchor Refine Module，ARM)和目標(biāo)檢測模塊(Object Detect Module，ODM)。對輸入640像素×640像素的待檢測圖片，在ARM中經(jīng)過卷積層特征提取后得到不同大小的特征圖，可粗略預(yù)估人臉的位置和得分，并濾除一些無效候選區(qū)，以減少分類器的搜索空間并且粗略地調(diào)整保留區(qū)域的位置和大小。同時，ARM的特征圖通過連接模塊(Transfer Connection Block，TCB)輸入到ODM中，將高層特征與底層特征進(jìn)行融合，用來增強(qiáng)底層特征的語義信息，以便檢測更小的人臉目標(biāo)。本文利用特征圖融合的方式增加不同層之間的聯(lián)系，通過這樣的連接，檢測網(wǎng)絡(luò)中的特征圖都融合了不同尺度、不同語義強(qiáng)度的特征，以此保證檢測層的特征圖可以檢測不同尺度的人臉。此處以O(shè)DM的高層特征圖CONV4_3和ARM的底層特征圖conv3_3融合為例，其過程如圖2所示，卷積核大小為3×3,通道數(shù)為256，反卷積核大小為4×4，步長為2，通道數(shù)為256。核大小為3×3，通道數(shù)為256，反卷積核大小為4×4，步長為2，通道數(shù)為256。不同層的特征圖大小各不相同，因此，CONV4_3先通過反卷積操作縮放成與conv3_3特征圖相同的大??；然后通過element-wise相加進(jìn)行融合，得到CONV3_3；最后ODM對特征融合后的人臉候選區(qū)域進(jìn)行更精確的回歸，并且通過非極大值抑制算法得到不同尺度人臉的檢測結(jié)果。

1.2 檢測層參數(shù)設(shè)置

RefineDet選擇conv4_3為初始檢測層，步長為8，在特征圖上移動一點(diǎn)相當(dāng)于在原始圖像上移動8個像素，這種設(shè)置不適合檢測更小尺寸目標(biāo)。本文將conv3_3作為初始檢測層，特征圖步長設(shè)為4，更利于檢測小尺寸人臉。從conv3_3到conv7_2，寬高比為1:1，檢測層參數(shù)設(shè)置如表1所示。通過在6層卷積特征圖上設(shè)置不同大小的人臉檢測框，能有效提高多尺度人臉的檢測精度。

1.3 損失函數(shù)

實(shí)驗(yàn)中對于一張640×640的圖像，人臉?biāo)急壤h(yuǎn)遠(yuǎn)小于背景所占比例，圖像中大部分區(qū)域?yàn)樨?fù)樣本。模型訓(xùn)練過程中，按照表1在每個卷積層生成不同數(shù)量的檢測框，則conv3_3產(chǎn)生25 600個16×16的檢測框，占檢測框總數(shù)的75.02%，如果將全部正負(fù)樣本都用來訓(xùn)練，這會引起類不平衡的問題，導(dǎo)致檢測精度下降。因此，為了緩解失衡，利用損失函數(shù)對檢測框進(jìn)行二次抑制。當(dāng)負(fù)樣本的置信度大于0.99時，直接舍棄該候選區(qū)域，即對檢測框進(jìn)行首次抑制。 本文的損失函數(shù)主要包括ARM和ODM兩部分損失，如式(1)所示。

式中，pt為不同類別的分類概率，pt越大，權(quán)重(1-pt)γ越小，這樣對于一些很容易區(qū)分的樣本可通過權(quán)重得到抑制，進(jìn)而減少檢測框的數(shù)量。αt用來調(diào)節(jié)正負(fù)樣本的比例，本文采用與文獻(xiàn)[15]相同的參數(shù)設(shè)置，正負(fù)樣本比例為1：3，即αt=0.25，γ=2，實(shí)驗(yàn)表明，該參數(shù)適用于本文模型。

2 實(shí)驗(yàn)過程與結(jié)果分析

2.1 人臉數(shù)據(jù)集選擇

實(shí)驗(yàn)采用Wider Face數(shù)據(jù)集，包含Easy、Medium、Hard 3個類別子集。該數(shù)據(jù)集共有32 203張圖片，并標(biāo)注了393 703張人臉。其中Easy子集為尺寸大于300像素的人臉，容易檢測；Medium子集人臉尺寸為50～300像素，檢測難度適中；Hard子集包含尺寸為10～50像素的小目標(biāo)人臉，較難檢測。該數(shù)據(jù)集適合本文建立的多尺度人臉檢測模型。

2.2 模型訓(xùn)練過程

實(shí)驗(yàn)在Win10操作系統(tǒng)下進(jìn)行，計算機(jī)配置為NVIDIA GeForce GTX 1080Ti顯卡，采用的深度學(xué)習(xí)框架為Caffe。為了使訓(xùn)練所得模型對不同尺度的人臉有更好的魯棒性，本文采用文獻(xiàn)[16]中的隨機(jī)光照失真以及裁剪原始圖像并反轉(zhuǎn)的方法擴(kuò)充訓(xùn)練樣本集。用ImageNet分類任務(wù)上預(yù)訓(xùn)練好的VGG16 卷積神經(jīng)網(wǎng)絡(luò)初始化特征并提取網(wǎng)絡(luò)卷積層權(quán)重，訓(xùn)練過程采用隨機(jī)梯度下降算法（SGD）優(yōu)化整個網(wǎng)絡(luò)模型。 本文訓(xùn)練過程采用SSD的匹配策略，不同的是將檢測框與真實(shí)框的重疊率閾值由0.5降為0.35，大于0.35的判斷為正樣本，以此來增大匹配到的檢測框數(shù)量。另外，網(wǎng)絡(luò)初始學(xué)習(xí)率設(shè)置為0.000 5，8萬次迭代后降為0.000 01，12萬次迭代后設(shè)置為0.000 002，動量為 0.9，權(quán)重衰減為0.000 5，批次大小設(shè)置為4，共進(jìn)行20萬次迭代。

2.3 不同尺度的人臉檢測結(jié)果

為了驗(yàn)證方法的有效性，本文在Wider Face驗(yàn)證集上進(jìn)行實(shí)驗(yàn)驗(yàn)證。首先選擇RefineDet的網(wǎng)絡(luò)模型結(jié)構(gòu)，輸入640×640大小的圖像，寬高比設(shè)為1:1，本文將其稱之為模型A；其次，以相同的輸入，選擇加入底層特征conv3_3后的6層卷積特征圖作為檢測層進(jìn)行實(shí)驗(yàn)，稱之為模型B；最后，本文在模型B的基礎(chǔ)上，采用focal loss作為損失函數(shù)進(jìn)行實(shí)驗(yàn)，稱之為本文模型。驗(yàn)證結(jié)果如表2所示。

由表2可見，在輸入相同的情況下，模型B相比于模型A在Easy、Medium、Hard 3個子集上的平均檢測精度(Mean Average Precision，MAP)分別提高了0.1%、0.2%和4.3%，表明加入底層conv3_3的特征融合后可以有效改善小尺寸人臉的語義信息，進(jìn)而提高多尺度人臉檢測精度。本文模型相比于模型B在3個子集上的檢測精度又分別提高了0.6%、0.9%和1.1%，表明改進(jìn)損失函數(shù)能有效緩解類別不平衡的問題，進(jìn)而提高檢測精度。

2.4 與其他方法比較

為進(jìn)一步驗(yàn)證模型的性能，將本文方法與近年來的主流算法ScaleFace[20]、Multitask Cascade CNN[11]、HR[12]在相同實(shí)驗(yàn)環(huán)境和相同數(shù)據(jù)集上進(jìn)行了對比，采用官方評估方法進(jìn)行評估[21]。在Wider Face人臉驗(yàn)證集上得到的P-R曲線如圖3所示。

P-R圖中橫坐標(biāo)表示檢測框的召回率(Recall)，縱坐標(biāo)表示檢測精度(Precision)。召回率用來評估檢測出來的人臉占樣本標(biāo)記總?cè)四様?shù)的比例，檢測精度用來評估檢測出的正確人臉占檢測出的總?cè)四様?shù)的比例，因此，曲線右上越凸，表示檢測效果越好。由圖3可見，本文方法較其他方法在檢測精度上均有所提高，尤其在Hard子集上更達(dá)到了84.4%的檢測精度，表明了方法的有效性，也顯示了該模型檢測小尺寸人臉的優(yōu)越性。

2.5 檢測效果

圖4為本文方法與RefineDet的檢測結(jié)果對比，矩形框表示檢測出的人臉位置，圓形框表示兩者的著重對比區(qū)域。由圖4(a)和圖4(c)可見，圖像中的人臉尺寸大小不一，RefineDet對于檢測背景中小尺寸人臉存在明顯缺陷，不能有效檢測，而本文方法可以在一張圖片上同時檢測不同尺度人臉。圖4(b)和圖4(d)相比，在人臉較小且密集的情景下，RefineDet漏檢而本文方法在檢測小尺寸人臉上有明顯優(yōu)勢。

3 結(jié)論

本文建立了一種基于RefineDet多層特征融合的多尺度人臉檢測方法，網(wǎng)絡(luò)結(jié)構(gòu)為兩級級聯(lián)模式，第一級ARM模塊對人臉檢測框進(jìn)行粗略回歸，第二級ODM模塊經(jīng)與底層特征融合后再對人臉檢測框完成精確回歸。檢測網(wǎng)絡(luò)在6層不同的特征圖上進(jìn)行，能有效檢測16×16的小尺寸人臉區(qū)域，以及520×520較大的人臉區(qū)域，對比其他人臉檢測方法，本文方法能更好地處理人臉尺寸眾多且密集的情況，特別是小尺寸人臉檢測精度有明顯提高。

參考文獻(xiàn)

[1] 霍芋霖，符意德.基于Zynq的人臉檢測設(shè)計[J].計算機(jī)科學(xué)，2016，43(10)：322-325.

[2] 李小薪，梁榮華.有遮擋人臉識別綜述：從子空間回歸到深度學(xué)習(xí)[J].計算機(jī)學(xué)報，2018，41(1)：177-207.

[3] GAO Y，MA J，YUILLE A L，et al.Semi-supervised sparse representation based classification for face recognition with insufficient labeled samples[J].IEEE Transactions on Image Processing，2017，26(5)：2545-2560.

[4] MAJUMDAR A，SINGH R，VATS M，et al.Face verification via class sparsity based supervised encoding[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2017，39(6)：1273-1280.

[5] KHAN M H，MCDONAGH J，TZIMIROPOULOS G，et al.Synergy between face alignment and tracking via discriminative global consensus optimization[C].International Conference on Computer Vision.IEEE，2017：3811-3819.

[6] VIOLA P A，JONES M.Robust real-time face detection[C].Proceedings of IEEE Conference on Computer Vision.IEEE，2001：747.

[7] 黃友文，萬超倫.基于深度學(xué)習(xí)的人體行為識別算法[J].電子技術(shù)應(yīng)用，2018，44(10)：1-5.

[8] 周進(jìn)凡，張榮芬，馬治楠，等.基于深度學(xué)習(xí)的胸部X光影像分析系統(tǒng)[J].電子技術(shù)應(yīng)用，2018，44(11)：29-32.

[9] REN S，HE K，GIRSHICK R B，et al.Faster R-CNN：towards real-time object detection with region proposal networks[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2017，39(6)：1137-1149.

[10] JIANG H，LEARNEDMILLER E G.Face detection with the faster R-CNN[C].IEEE International Conference on Automatic Face Gesture Recognition.IEEE，2017：650-657.

[11] ZHANG K，ZHANG Z，LI Z，et al.Joint face detection and alignment using multitask cascaded convolutional networks[J].IEEE Signal Processing Letters，2016，23(10)：1499-1503.

[12] HU P，RAMANAN D.Finding tiny faces[J].Computer Vision and Pattern Recognition，Hawaii，USA，2017：1522-1530.

[13] ZHANG S，WEN L，BIAN X，et al.Single-shot refinement neural network for object detection[C].IEEE Conference on Computer Vision and Pattern Recognition，2018：4203-4212.

[14] LIN T，DOLLAR P，GIRSHICK R B，et al.Feature pyramid networks for object detection[C].IEEE Conference on Computer Vision and Pattern Recognition，2017：936-944.

[15] LIN T，GOYAL P，GIRSHICK R B，et al.Focal loss for dense object detection[C].International Conference on Computer Vision.IEEE，2017：2999-3007.

[16] LIU W，ANGUELOY D，ERHAN D，et al.SSD：single shot multibox detector[C].European Conference on Computer Vision，Amsterdam，Netherlands，2016：21-37.

[17] SIMONYAN K，ZISSERMAN.A very deep convolutional networks for large-scale image recognition[C].International Conference on Learning Representations，2015.

[18] LUO W，LI Y，URTASUN R，et al.Understanding the effective receptive field in deep convolutional neural networks[C].29th Conference on Neural Information Processing Systems，Barcelona，Spain，2016：4898-4906.

[19] DAI J，LI Y，HE K，et al.R-FCN：object detection via region-based fully convolutional networks[C]. 29th Conference on Neural Information Processing Systems，2016：379-387.

[20] YANG S，XIONG Y，LOY C C，et al.Face detection through scale-friendly deep convolutional networks[J].arXiv：Computer Vision and Pattern Recognition，2017.

[21] YANG S，LUO P，LOY C C，et al.Wider face: a face detection benchmark[C].IEEE Conference on Computer Vision and Pattern Recognition，2016：5525-5533.