摘要：

針對(duì)車(chē)站、商場(chǎng)等大型場(chǎng)所中客流量大、背景復(fù)雜等原因?qū)е露喑叨热四槞z測(cè)精度低的問(wèn)題，建立了一種基于RefineDet多層特征圖融合的多尺度人臉檢測(cè)方法。首先利用第一級(jí)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(jí)中通過(guò)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(yǔ)義信息；最后，通過(guò)置信度和焦點(diǎn)損失函數(shù)對(duì)檢測(cè)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(lái)降低運(yùn)算量并提高人臉檢測(cè)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(cè)不同尺度的人臉，在Easy、Medium、Hard 3個(gè)子數(shù)據(jù)集上測(cè)試結(jié)果分別為93.4%、92%、84.4%的MAP，尤其對(duì)小尺寸人臉的檢測(cè)精度有明顯提高。

0 引言

人臉檢測(cè)[1]作為人臉識(shí)別[2-3]、人臉對(duì)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(chǎng)景，人臉檢測(cè)的效果將直接影響人臉識(shí)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(cè)具有重要意義。 早期人臉檢測(cè)算法多是人工提取特征，訓(xùn)練分類器，再進(jìn)行人臉檢測(cè)。如VIOLA P A和JONES M[6]提出的Haar-Like與AdaBoost級(jí)聯(lián)的方法，其檢測(cè)速度較快，但對(duì)多尺度、姿態(tài)多樣性等情形檢測(cè)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(shí)別以及目標(biāo)檢測(cè)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(guò)區(qū)域預(yù)測(cè)網(wǎng)絡(luò)(Region Proposal Network，RPN)產(chǎn)生感興趣的候選區(qū)域，再對(duì)該區(qū)域提取尺度不變的CNN特征，最后對(duì)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(cè)，取得了較好效果，但速度較慢。文獻(xiàn)[11]將人臉檢測(cè)與人臉關(guān)鍵點(diǎn)檢測(cè)結(jié)合，網(wǎng)絡(luò)層數(shù)淺，檢測(cè)速度快但精度較低。HU P[12]等人通過(guò)多尺度模板，利用圖像上下文信息來(lái)解決小尺寸人臉檢測(cè)精度較低的問(wèn)題。 為進(jìn)一步提高人臉檢測(cè)精度，本文通過(guò)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(cè)模型。首先對(duì)待檢測(cè)圖像歸一化處理，利用CNN提取圖像特征，再通過(guò)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(yǔ)義信息，提高小目標(biāo)人臉的檢測(cè)精度。然后利用置信度和損失函數(shù)對(duì)檢測(cè)框進(jìn)行二次抑制，緩解類別失衡[15]問(wèn)題。最后通過(guò)非極大值抑制算法得到精確回歸后的人臉檢測(cè)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(jì)算量進(jìn)而提高檢測(cè)精度。

1 多尺度人臉檢測(cè)模型

1.1 改進(jìn)的RefineDet多尺度檢測(cè)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(gè)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(cè)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(cè)層。

在CNN提取圖像特征的過(guò)程中，感受野[18]用來(lái)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(wú)法對(duì)原始圖像的所有信息進(jìn)行感知，且每經(jīng)過(guò)一次2×2的最大池化層處理，特征圖變?yōu)樵瓉?lái)的一半。隨著網(wǎng)絡(luò)層加深，特征圖會(huì)越來(lái)越小，小尺寸人臉的信息也會(huì)逐步丟失，提取的特征也更抽象。因此，越高層的特征圖對(duì)應(yīng)原始圖像的范圍越大，包含語(yǔ)義層次更高的特征；越低層的特征圖對(duì)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)。可見(jiàn)，對(duì)于近景下的較大人臉需要更高層的特征圖進(jìn)行檢測(cè)，而遠(yuǎn)景下的小尺寸人臉可以在更低層的特征圖上檢測(cè)到。為了提高不同尺度的人臉檢測(cè)精度，進(jìn)一步改善整個(gè)網(wǎng)絡(luò)的檢測(cè)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(cè)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(cè)較大的人臉區(qū)域。改進(jìn)的RefineDet檢測(cè)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(gè)層的特征圖作為檢測(cè)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(cè)模塊(Object Detect Module，ODM)。對(duì)輸入640像素×640像素的待檢測(cè)圖片，在ARM中經(jīng)過(guò)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(wú)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(shí)，ARM的特征圖通過(guò)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(lái)增強(qiáng)底層特征的語(yǔ)義信息，以便檢測(cè)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(guò)這樣的連接，檢測(cè)網(wǎng)絡(luò)中的特征圖都融合了不同尺度、不同語(yǔ)義強(qiáng)度的特征，以此保證檢測(cè)層的特征圖可以檢測(cè)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(guò)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(zhǎng)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(zhǎng)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(guò)反卷積操作縮放成與conv3_3特征圖相同的大小；然后通過(guò)element-wise相加進(jìn)行融合，得到CONV3_3；最后ODM對(duì)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(guò)非極大值抑制算法得到不同尺度人臉的檢測(cè)結(jié)果。

1.2 檢測(cè)層參數(shù)設(shè)置

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

1.3 損失函數(shù)

實(shí)驗(yàn)中對(duì)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(guò)程中，按照表1在每個(gè)卷積層生成不同數(shù)量的檢測(cè)框，則conv3_3產(chǎn)生25 600個(gè)16×16的檢測(cè)框，占檢測(cè)框總數(shù)的75.02%，如果將全部正負(fù)樣本都用來(lái)訓(xùn)練，這會(huì)引起類不平衡的問(wèn)題，導(dǎo)致檢測(cè)精度下降。因此，為了緩解失衡，利用損失函數(shù)對(duì)檢測(cè)框進(jìn)行二次抑制。當(dāng)負(fù)樣本的置信度大于0.99時(shí)，直接舍棄該候選區(qū)域，即對(duì)檢測(cè)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(duì)于一些很容易區(qū)分的樣本可通過(guò)權(quán)重得到抑制，進(jìn)而減少檢測(cè)框的數(shù)量。αt用來(lái)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(guò)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(gè)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(cè)；Medium子集人臉尺寸為50～300像素，檢測(cè)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(cè)。該數(shù)據(jù)集適合本文建立的多尺度人臉檢測(cè)模型。

2.2 模型訓(xùn)練過(guò)程

實(shí)驗(yàn)在Win10操作系統(tǒng)下進(jìn)行，計(jì)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(duì)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(guò)程采用隨機(jī)梯度下降算法（SGD）優(yōu)化整個(gè)網(wǎng)絡(luò)模型。 本文訓(xùn)練過(guò)程采用SSD的匹配策略，不同的是將檢測(cè)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(lái)增大匹配到的檢測(cè)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(wàn)次迭代后降為0.000 01，12萬(wàn)次迭代后設(shè)置為0.000 002，動(dòng)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(wàn)次迭代。

2.3 不同尺度的人臉檢測(cè)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(cè)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(jiàn)，在輸入相同的情況下，模型B相比于模型A在Easy、Medium、Hard 3個(gè)子集上的平均檢測(cè)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(yǔ)義信息，進(jìn)而提高多尺度人臉檢測(cè)精度。本文模型相比于模型B在3個(gè)子集上的檢測(cè)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(wèn)題，進(jìn)而提高檢測(cè)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(lái)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(duì)比，采用官方評(píng)估方法進(jìn)行評(píng)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(cè)框的召回率(Recall)，縱坐標(biāo)表示檢測(cè)精度(Precision)。召回率用來(lái)評(píng)估檢測(cè)出來(lái)的人臉占樣本標(biāo)記總?cè)四様?shù)的比例，檢測(cè)精度用來(lái)評(píng)估檢測(cè)出的正確人臉占檢測(cè)出的總?cè)四様?shù)的比例，因此，曲線右上越凸，表示檢測(cè)效果越好。由圖3可見(jiàn)，本文方法較其他方法在檢測(cè)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(cè)精度，表明了方法的有效性，也顯示了該模型檢測(cè)小尺寸人臉的優(yōu)越性。

2.5 檢測(cè)效果

圖4為本文方法與RefineDet的檢測(cè)結(jié)果對(duì)比，矩形框表示檢測(cè)出的人臉位置，圓形框表示兩者的著重對(duì)比區(qū)域。由圖4(a)和圖4(c)可見(jiàn)，圖像中的人臉尺寸大小不一，RefineDet對(duì)于檢測(cè)背景中小尺寸人臉存在明顯缺陷，不能有效檢測(cè)，而本文方法可以在一張圖片上同時(shí)檢測(cè)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(cè)小尺寸人臉上有明顯優(yōu)勢(shì)。

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(cè)方法，網(wǎng)絡(luò)結(jié)構(gòu)為兩級(jí)級(jí)聯(lián)模式，第一級(jí)ARM模塊對(duì)人臉檢測(cè)框進(jìn)行粗略回歸，第二級(jí)ODM模塊經(jīng)與底層特征融合后再對(duì)人臉檢測(cè)框完成精確回歸。檢測(cè)網(wǎng)絡(luò)在6層不同的特征圖上進(jìn)行，能有效檢測(cè)16×16的小尺寸人臉區(qū)域，以及520×520較大的人臉區(qū)域，對(duì)比其他人臉檢測(cè)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(cè)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(cè)設(shè)計(jì)[J].計(jì)算機(jī)科學(xué)，2016，43(10)：322-325.

[2] 李小薪，梁榮華.有遮擋人臉識(shí)別綜述：從子空間回歸到深度學(xué)習(xí)[J].計(jì)算機(jī)學(xué)報(bào)，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(wàn)超倫.基于深度學(xué)習(xí)的人體行為識(shí)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.