一种基于智能电视摄像头的轻量级人脸检测方法及系统与流程

1.本发明涉及图像处理技术领域，具体涉及一种基于智能电视摄像头的轻量级人脸检测方法及系统。


背景技术：

2.随着科学技术的发展，越来越多的传统家电向着智能化方向发展。无感交互，智能推荐，智能回看等新功能也被更多的智能电视搭载。人脸检测作为技术前提，快速，准确的人脸检测可以为后续用户画像、关键点定位等其他算法提供保证。
3.现有技术中，人脸检测算法主要分为基于特征的图像分类和基于卷积网络的深度学习这两种方法。其中，基于特征的图像分类算法对检测环境要求高，精度相对较低，不满足差异较大、距离较远的家庭场景检测要求。而基于卷积神经网络的深度学习方法，依靠海量的训练数据，可以在复杂场景下达到极高的精度，但是传统的深度学习方法存在模型参数多，推理速度慢，在算力相对不足的电视设备上，难以满足实时性要求。
4.因此，亟需一种能够在智能电视上快速检测人脸的方法。


技术实现要素：

5.本发明的目的在于提供一种基于智能电视摄像头的轻量级人脸检测方法，以解决上述背景技术中提出的由于智能电视上有限的计算力，传统的深度学习方法占用过多的计算资源，无法满足实际项目中实时性要求的问题。
6.为实现上述目的，本发明提供如下技术方案：
7.一种基于智能电视摄像头的轻量级人脸检测方法，包括：
8.s1、对智能电视摄像头所采集的原使图像进行缩放，并作为人脸检测模型的输入；
9.s2、将经过s1缩放后的原使图像进行普通卷积处理，以将缩放后的原使图像处理为第一特征图谱；
10.s3、对s2获得的第一特征图谱连续进行若干次单循环宽视野深度可分离卷积操作，以定位一些距离较远人脸的特征，获得第二特征图谱；
11.s4、对s3获得的第二特征图谱进行若干次双循环宽视野深度可分离卷积操作，以捕获距离较近，目标较大时的人脸特征，获得密集型特征图谱；
12.s5、从s4获得的密集型特征图谱中选取两个密集型特征图谱，选取锚点，并设置预选框进行回归，从而获得人脸的位置信息。
13.进一步的技术方案为：所述s2中，进行两次普通卷积处理，且第一特征图谱的大小为64x64x48。
14.进一步的技术方案为：所述s3中，进行单循环宽视野深度可分离卷积操作的次数为五次，且第二特征图谱大小为32x32x48。
15.进一步的技术方案为：所述s3中，单循环宽视野深度可分离卷积操作，由7x7的深度卷积以及1x1的点卷积结果与经过极大池化操作叠加，再通过relu6激活函数输出。
16.进一步的技术方案为：所述s4中，进行双循环宽视野深度可分离卷积操作的次数为六次，且密集型特征图谱大小为8x8x96。
17.进一步的技术方案为：所述s4中，双循环宽视野深度可分离卷积操作，由两次5x5的深度卷积和1x1的点卷积，期间增加relu6激活函数做非线性处理，结果与经过极大池化操作叠加，再通过relu6激活函数输出。
18.进一步的技术方案为：所述s5中，选取的两个密集型特征图谱为靠近最后获得的密集型特征图谱，且大小不等。
19.进一步的技术方案为：所述s5中，预选框比例设置为1：1.5。
20.为实现上述目的，本发明提供如下技术方案：
21.一种基于智能电视摄像头的轻量级人脸检测系统，包括：
22.预处理模块，用于对智能电视摄像头所采集的原使图像进行缩放，并将缩放后的原使图像作为人脸检测模型的输入；
23.普通卷积处理模块，用于对预处理模块缩放后的原使图像进行多次普通卷积处理，以将缩放后的原使图像处理为第一特征图谱；
24.可分离卷积处理模块，用于对普通卷积处理模块处理后的第一特征图谱进行若干次单循环宽视野深度可分离卷积操作，以定位一些距离较远人脸的特征，获得第二特征图谱；并将第二特征图谱进行若干次双循环宽视野深度可分离卷积操作，以捕获距离较近，目标较大时的人脸特征，获得密集型特征图谱；
25.人脸标识模块，用于对可分离卷积处理模块输出中选取两个密集型特征图谱，选取锚点，并设置预选框进行回归，从而获得人脸的位置信息。
26.与现有技术相比，本发明的有益效果是：
27.本发明针对传统人脸检测网络推理耗时较长的问题，采用宽视野深度可分离卷积操作，以减少预选框的设置数目。相比于传统的小视野3x3卷积，采用了7x7，5x5的深度卷积两种宽视野卷积操作，可以加速网络特征提取，并且在s5中预选框的选取上，由于人脸长宽比相对固定，将预选框比例设置为1：1.5，大大降低回归人脸框的计算量，从而提高了人脸位置识别的效率。
附图说明
28.图1为本发明实施例中一种基于智能电视摄像头的轻量级人脸检测方法流程图；
29.图2为本发明实施例中一种基于智能电视摄像头的轻量级人脸检测方法的网络设计图；
30.图3为本发明实施例中单循环宽视野深度可分离卷积结构示意图；
31.图4为本发明实施例中双循环宽视野深度可分离卷积结构示意图；
32.图5为本发明实施例中一种基于智能电视摄像头的轻量级人脸检测系统示意图。
具体实施方式
33.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他
实施例，都属于本发明保护的范围。
34.在其中一个实施例中，如图1-4所示，一种基于智能电视摄像头的轻量级人脸检测方法，提供一种新的图像处理策略，以降低计算资源的消耗，提升图像处理的速度。具体步骤包括：
35.s1、对智能电视摄像头所采集的原使图像进行缩放，并将缩放后的原使图像作为人脸检测模型的输入；
36.本实施例中，具体缩放至大小为256x256x3。
37.s2、将经过s1缩放后的原使图像进行多次普通卷积处理，以将缩放后的原使图像处理为第一特征图谱；
38.具体的，本实施例中，进行了两次普通卷积处理，且第一特征图谱的大小为64x64x48。
39.s3、对s2获得的第一特征图谱连续进行若干次单循环宽视野深度可分离卷积操作，以定位一些距离较远人脸的特征，获得第二特征图谱，以防止随着卷积层加深，特征节点失活，引入残差分支；
40.具体的，本实施例中，单循环宽视野深度可分离卷积操作的次数为五次，且第二特征图谱大小为32x32x48。
41.进一步的，单循环宽视野深度可分离卷积由7x7的深度卷积以及1x1的点卷积结果与经过极大池化(max pooling)操作叠加，最后通过relu6激活函数输出。
42.s4、对s3获得的第二特征图谱进行若干次双循环宽视野深度可分离卷积操作，以捕获距离较近，目标较大时的人脸特征，获得密集型特征图谱；
43.具体的，本实施例中，双循环宽视野深度可分离卷积操作的次数为六次，且密集型特征图谱大小为8x8x96。
44.进一步的，双循环宽视野深度可分离卷积由两次5x5的深度卷积和1x1的点卷积，期间增加relu6激活函数做非线性处理，结果与经过极大池化(max pooling)操作叠加，最后通过relu6激活函数输出。
45.s5、从s4获得的密集型特征图谱中选取两个密集型特征图谱，选取锚点，并设置预选框进行回归，从而获得人脸的位置信息；
46.优选的，选取的两个密集型特征图谱为靠近最后获得的密集型特征图谱，且大小不等；预选框比例设置为1：1.5。
47.本发明针对传统人脸检测网络推理耗时较长的问题，采用宽视野深度可分离卷积操作，以减少预选框的设置数目。相比于传统的小视野3x3卷积，采用了7x7，5x5的深度卷积两种宽视野卷积操作，可以加速网络特征提取，并且在s5中预选框的选取上，由于人脸长宽比相对固定，将预选框比例设置为1：1.5，大大降低回归人脸框的计算量，从而提高了人脸位置识别的效率。
48.在另一个实施例中，如图5所示，一种基于智能电视摄像头的轻量级人脸检测系统，包括：
49.预处理模块，用于对智能电视摄像头所采集的原使图像进行缩放，并将缩放后的原使图像作为人脸检测模型的输入；
50.普通卷积处理模块，用于对预处理模块缩放后的原使图像进行多次普通卷积处
理，以将缩放后的原使图像处理为第一特征图谱；
51.可分离卷积处理模块，用于对普通卷积处理模块处理后的第一特征图谱进行若干次单循环宽视野深度可分离卷积操作，以定位一些距离较远人脸的特征，获得第二特征图谱；并将第二特征图谱进行若干次双循环宽视野深度可分离卷积操作，以捕获距离较近，目标较大时的人脸特征，获得密集型特征图谱；
52.人脸标识模块，用于对可分离卷积处理模块输出中选取两个密集型特征图谱，选取锚点，并设置预选框进行回归，从而获得人脸的位置信息。
53.以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。