1.一种四级人脸检测和关键点回归的方法,其特征在于:包括以下步骤,
采集模块(100)采集人脸图像数据,并结合公开数据集构建训练样本;
处理模块(200)对所述训练样本进行处理,分为完整人脸图像、部分人脸图像和无人脸图像三种类别;
识别模块(300)搭建四级人脸检测模型并基于所述训练样本分别对四个人脸检测模型进行训练,输出充分训练后的人脸检测模型;
使用采集模块(100)采集待测图像;
将所述待测图像输入训练后的识别模块(300)进行人脸检测。
2.如权利要求1所述的四级人脸检测和关键点回归的方法,其特征在于:所述对训练样本进行处理还包括以下步骤,
根据标签信息在正确的人脸框中心点随机生成候选框,然后将候选框和正确框计算iou,并根据iou大小确定候选框的标签。
3.如权利要求2所述的四级人脸检测和关键点回归的方法,其特征在于:所述分类的标准为,
0.65<iou<1时,为完整人脸图像,作为正样本;
0.3<iou<0.65时,为有部分人脸图像,作为部分样本;
iou<0.3时,为无人脸图像,作为负样本。
4.如权利要求3所述的四级人脸检测和关键点回归的方法,其特征在于:所述正样本、部分样本和负样本的比例为1:1:3。
5.如权利要求2~4任一所述的四级人脸检测和关键点回归的方法,其特征在于:所述四级人脸检测模型包括a-net、b-net、c-net和d-net四个网络模型,且a-net为包括四个卷积层的轻量级的全卷积网络模型,b-net、c-net和d-net为有全连接的分类网络模型。
6.如权利要求5所述的四级人脸检测和关键点回归的方法,其特征在于:所述对人脸检测模型进行训练基于caffe深度学习工具进行,当损失函数的值停止收敛在0.08时,停止训练。
7.如权利要求6所述的四级人脸检测和关键点回归的方法,其特征在于:所述分类损失使用交叉熵损失函数,回归损失使用欧氏距离损失函数,计算公式如下,
其中,l为交叉熵,dist(x,y)为欧氏距离,
8.如权利要求7所述的四级人脸检测和关键点回归的方法,其特征在于:所述待测图像的检测还包括以下步骤,
所述处理模块(200)对所述待测图像图像进行多尺度的缩放后输入所述识别模块(300)的a-net网络,输出边框回归bbox的值;
利用非极大值抑制算法进行边界框的融合,将融合的结果缩放到24*24像素大小的图像imga;
将图像imga输入b-net网络,输出为每个图像存在人脸的概率和每个图像的边框回归信息;
利用非极大值抑制对边界框bbox进行融合,并把图像缩放到48*48大小的图像imgb;
将图像imgb输入c-net网络,输出为每个图像存在人脸的概率和每个图像的边框回归信息;
利用非极大值抑制对边界框bbox进行融合.处理之后的图像为imgc;
将图像imgc输入d-net网络,d-net的输出为包含边界框回归信息的最终结果图像。
9.一种四级人脸检测和关键点回归的系统,其特征在于:包括,
采集模块(100),所述采集模块(100)能够进行图像的采集;
处理模块(200),所述处理模块(200)能够对采集到的图像进行处理;
识别模块(300),所述识别模块(300)用于搭建人脸检测模型,并对处理后的图像进行人脸检测。