百人牛牛

 

服务热线:4006 883 797

当前位置:主页 > 产品中心 > 印刷包装在线视觉检测解决方案 >

印刷包装在线视觉检测解决方案

产品系列:印刷包装在线视觉检测解决方案

产品简介::

 

  针对车站、市场等大型地点中客流量大、靠山庞杂等起因导致众标准人脸检测精度低的题目,创立了一种基于RefineDet众层特点图交融的众标准人脸检测本领。起首行使第一级汇集实行特点提取并正在分别标准的特点图上简单预估人脸身分;然后正在第二级中通过特点金字塔汇集将低层特点与高层特点交融,进一步巩固小尺寸人脸的语义消息;末了,通过置信度和主题耗损函数对检测框实行二次欺压,抵达边框的切确回归。尝试中将人脸候选区域的宽高比只扶植为1:1,以此来下降运算量并升高人脸检测精度。正在Wider Face数据集上的尝试结果标明,该本领能有用检测分别标准的人脸,正在Easy、Medium、Hard 3个子数据集上测试结果差异为93.4%、92%、84.4%的MAP,特别对小尺寸人脸的检测精度有明明升高。

  中文援用方式:孙贵华,陈淑荣. 一种鼎新的RefineDet众标准人脸检测本领[J].电子技能利用,2019,45(8):34-39.

  人脸检测 [1]行为人脸识别 [2-3]、人脸对齐、人脸验证 [4]以及人脸跟踪 [5]等利用的要害环节,其首要职司是判定视频或给定图像中是否存正在人脸,再切确定位出人脸的身分和巨细。正在少许人脸倾向尺寸跨度大且小倾向稠密的利用场景,人脸检测的成效将直接影响人脸识别等后续技能利用的切确率,所以商讨众标准人脸检测具有紧要意旨。

  早期人脸检测算法众是人工提取特点,熬炼分类器,再实行人脸检测。如VIOLA P A和JONES M [6]提出的Haar-Like与AdaBoost级联的本领,其检测速率较速,但对众标准、状貌众样性等情景检测成效不睬念。跟着深度进修正在呆板进修中的不停成长,卷积神经汇集(Convolutional Neural Network,CNN)提取特点加倍众样化、鲁棒性更好,正在图像识别以及倾向检测等范围 [7-8]取得遍及利用。个中以Faster R-CNN [9]为代外的算法起首通过区域预测汇集(Region Proposal Network,RPN)爆发感趣味的候选区域,再对该区域提取标准稳固的CNN特点,末了对区域实行分类和回归。JIANG H [10]等将Faster R-CNN利用于人脸检测,赢得了较好成效,但速率较慢。文献[11]将人脸检测与人脸要害点检测联合,汇集层数浅,检测速率速但精度较低。HU P [12]等人通过众标准模板,行使图像上下文消息来处置小尺寸人脸检测精度较低的题目。

  为进一步升高人脸检测精度,本文通过鼎新RefineDet [13]汇集模子组织,创立了一种众标准人脸检测模子。起首应付检测图像归一化打点,行使CNN提取图像特点,再通过特点金字塔汇集 [14](Feature Pyramid Networks,FPN)将更底层的conv3_3特点图与高层特点图实行交融,以便巩固小尺寸人脸的语义消息,升高小倾向人脸的检测精度。然后行使置信度和耗损函数对检测框实行二次欺压,缓解种别失衡 [15]题目。末了通过非极大值欺压算法取得切确回归后的人脸检测框和相应的身分消息。依据人脸区域特性,将人脸候选框的宽高比只设为1:1,以删除策画量进而升高检测精度。

  正在CNN提取图像特点的经过中,感觉野[18]用来暗示卷积神经汇集每一层输出的特点图上的像素点正在原始图像上映照区域的巨细。输入RefineDet汇集的图像,因为卷积层与池化层之间均为限制邻接,神经元无法对原始图像的全数消息实行感知,且每颠末一次2×2的最大池化层打点,特点图变为本来的一半。跟着汇集层加深,特点图会越来越小,小尺寸人脸的消息也会逐渐失落,提取的特点也更空洞。所以,越高层的特点图对应原始图像的鸿沟越大,包蕴语义宗旨更高的特点;越低层的特点图对应原始图像的鸿沟越小,包蕴的特点更趋势于限制细节。可睹,关于近景下的较大人脸须要更高层的特点图实行检测,而前景下的小尺寸人脸可能正在更低层的特点图上检测到。为了升高分别标准的人脸检测精度,进一步改革全体汇集的检测机能,本文正在RefineDet特点交融个别插足更低层的conv3_3特点图,以便检测较小尺寸的人脸,并正在conv6_2后面增添特殊的conv7_1和conv7_2,以便检测较大的人脸区域。鼎新的RefineDet检测汇集模子组织如图1所示,采纳conv3_3、conv4_3、conv5_3、conv_fc7、conv6_2和conv7_2 6个层的特点图行为检测层。

  汇集模子合键包罗区域优化模块(Anchor Refine Module,ARM)和倾向检测模块(Object Detect Module,ODM)。对输入640像素×640像素的待检测图片,正在ARM中颠末卷积层特点提取后取得分别巨细的特点图,可简单预估人脸的身分和得分,并滤除少许无效候选区,以删除分类器的寻找空间而且简单地调节保存区域的身分和巨细。同时,ARM的特点图通过邻接模块(Transfer Connection Block,TCB)输入到ODM中,将高层特点与底层特点实行交融,用来巩固底层特点的语义消息,以便检测更小的人脸倾向。本文行使特点图交融的体例增添分别层之间的联络,通过如此的邻接,检测汇集中的特点图都交融了分别标准、分别语义强度的特点,以此包管检测层的特点图可能检测分别标准的人脸。此处以ODM的高层特点图CONV4_3和ARM的底层特点图conv3_3交融为例,其经过如图2所示,卷积核巨细为3×3,通道数为256,反卷积核巨细为4×4,步长为2,通道数为256。核巨细为3×3,通道数为256,反卷积核巨细为4×4,步长为2,通道数为256。分别层的特点图巨细各纷歧样,所以,CONV4_3先通过反卷积操作缩放成与conv3_3特点图一样的巨细;然后通过element-wise相加实行交融,取得CONV3_3;末了ODM对特点交融后的人脸候选区域实行更切确的回归,而且通过非极大值欺压算法取得分别标准人脸的检测结果。

  RefineDet遴选conv4_3为初始检测层,步长为8,正在特点图上挪动一点相当于正在原始图像上挪动8个像素,这种扶植不适合检测更小尺寸倾向。本文将conv3_3行为初始检测层,特点图步长设为4,更利于检测小尺寸人脸。从conv3_3到conv7_2,宽高比为1:1,检测层参数扶植如外1所示。通过正在6层卷积特点图上扶植分别巨细的人脸检测框,能有用升高众标准人脸的检测精度。

  尝试中关于一张640×640的图像,人脸所占比例远远小于靠山所占比例,图像中大个别区域为负样本。模子熬炼经过中,遵循外1正在每个卷积层天生分别数目的检测框,则conv3_3爆发25 600个16×16的检测框,占检测框总数的75.02%,假使将统统正负样本都用来熬炼,这会惹起类不服均的题目,导致检测精度降落。所以,为了缓解失衡,行使耗损函数对检测框实行二次欺压。当负样本的置信度大于0.99时,直接舍弃该候选区域,即对检测框实行初次欺压。

  式中,p t为分别种别的分类概率,p t越大,权重(1-p t) γ越小,如此关于少许很容易划分的样本可通过权重取得欺压,进而删除检测框的数目。α t用来治疗正负样本的比例,本文采用与文献[15]一样的参数扶植,正负样本比例为1:3,即α t=0.25,γ=2,尝试标明,该参数实用于本文模子。

  尝试采用Wider Face数据集,包蕴Easy、Medium、Hard 3个种别子集。该数据集共有32 203张图片,并标注了393 703张人脸。个中Easy子集为尺寸大于300像素的人脸,容易检测;Medium子集人脸尺寸为50~300像素,检测难度适中;Hard子集包蕴尺寸为10~50像素的小倾向人脸,较难检测。该数据集适合本文创立的众标准人脸检测模子。

  尝试正在Win10操作体系下实行,策画机装备为NVIDIA GeForce GTX 1080Ti显卡,采用的深度进修框架为Caffe。为了使熬炼所得模子对分别标准的人脸有更好的鲁棒性,本文采用文献[16]中的随机光照失真以及裁剪原始图像并反转的本领扩充熬炼样本集。用ImageNet分类职司上预熬炼好的VGG16 卷积神经汇集初始化特点并提取汇集卷积层权重,熬炼经过采用随机梯度降落算法(SGD)优化全体汇集模子。

  本文熬炼经过采用SSD的成亲计谋,分别的是将检测框与线的判定为正样本,以此来增大成亲到的检测框数目。其余,汇集初始进修率扶植为0.000 5,8万次迭代后降为0.000 01,12万次迭代后扶植为0.000 002,动量为 0.9,权重衰减为0.000 5,批次巨细扶植为4,共实行20万次迭代。

  为了验证本领的有用性,本文正在Wider Face验证集前进行尝试验证。起首遴选RefineDet的汇集模子组织,输入640×640巨细的图像,宽高比设为1:1,本文将其称之为模子A;其次,以一样的输入,遴选插足底层特点conv3_3后的6层卷积特点图行为检测层实行尝试,称之为模子B;末了,本文正在模子B的根柢上,采用focal loss行为耗损函数实行尝试,称之为本文模子。验证结果如外2所示。

  由外2可睹,正在输入一样的境况下,模子B比拟于模子A正在Easy、Medium、Hard 3个子集上的均匀检测精度(Mean Average Precision,MAP)差异升高了0.1%、0.2%和4.3%,标明插足底层conv3_3的特点交融后可能有用改革小尺寸人脸的语义消息,进而升高众标准人脸检测精度。本文模子比拟于模子B正在3个子集上的检测精度又差异升高了0.6%、0.9%和1.1%,标明鼎新耗损函数能有用缓解种别不服均的题目,进而升高检测精度。

  为进一步验证模子的机能,将本文本领与近年来的主流算法ScaleFace [20]、Multitask Cascade CNN [11]、HR [12]正在一样尝试处境和一样数据集前进行了比拟,采用官方评估本领实行评估 [21]。正在Wider Face人脸验证集上取得的P-R弧线所示。

  P-R图中横坐标暗示检测框的召回率(Recall),纵坐标暗示检测精度(Precision)。召回率用来评估检测出来的人脸占样本标志总人脸数的比例,检测精度用来评估检测出的准确人脸占检测出的总人脸数的比例,所以,弧线右上越凸,暗示检测成效越好。由图3可睹,本文本领较其他本领正在检测精度上均有所升高,特别正在Hard子集上更抵达了84.4%的检测精度,外领略本领的有用性,也显示了该模子检测小尺寸人脸的良好性。

  图4为本文本领与RefineDet的检测结果比拟,矩形框暗示检测出的人脸身分,圆形框暗示两者的着重比拟区域。由图4(a)和图4(c)可睹,图像中的人脸尺寸巨细纷歧,RefineDet关于检测靠山中小尺寸人脸存正在明明缺陷,不行有用检测,而本文本领可能正在一张图片上同时检测分别标准人脸。图4(b)和图4(d)比拟,正在人脸较小且汇集的形势下,RefineDet漏检而本文本领正在检测小尺寸人脸上有明明上风。

  本文创立了一种基于RefineDet众层特点交融的众标准人脸检测本领,汇集组织为两级级联形式,第一级ARM模块对人脸检测框实行简单回归,第二级ODM模块经与底层特点交融后再对人脸检测框告竣切确回归。检测汇集正在6层分别的特点图前进行,能有用检测16×16的小尺寸人脸区域,以及520×520较大的人脸区域,比拟其他人脸检测本领,本文本领能更好地打点人脸尺寸稠密且汇集的境况,卓殊是小尺寸人脸检测精度有明明升高。

  [2] 李小薪,梁荣华.有遮挡人脸识别综述:从子空间回归到深度进修[J].策画机学报,2018,41(1):177-207.

  [7] 黄友文,万超伦.基于深度进修的人体举动识别算法[J].电子技能利用,2018,44(10):1-5.

  [8] 周进凡,张荣芬,马治楠,等.基于深度进修的胸部X光影像阐述体系[J].电子技能利用,2018,44(11):29-32.

官方微博

Copyright © 2002-2019 fzpharm.com 百人牛牛 版权所有
公司地址:海口市龙华新区观澜大道111号富嘉商务中心13层
联系电话:0898-66663917

企业邮箱:admin@fzpharm.com