史夢(mèng)安，蔡慧敏，陸振宇

(1.蘇州大學(xué)應(yīng)用技術(shù)學(xué)院 工學(xué)院，江蘇 蘇州 215325；2.南京信息工程大學(xué) 人工智能學(xué)院， 江蘇 南京 210044；3.南京信息工程大學(xué) 江蘇省大氣環(huán)境與裝備技術(shù)協(xié)同創(chuàng)新中心，江蘇 南京 210044)

0 引 言

如今的人臉檢測(cè)技術(shù)大致可分為兩類：人工設(shè)計(jì)特征的傳統(tǒng)方法和特征自動(dòng)提取的深度學(xué)習(xí)方法。人工設(shè)計(jì)一般從人臉的膚色、結(jié)構(gòu)、紋理、輪廓等特征入手。Mollah等[1]將Harr-like特征與膚色特征相結(jié)合,降低了人臉樣本假陽性的概率。Zheng等[2]先后選取膚色特征與紋理特征,使用局部二進(jìn)制模型進(jìn)一步減少誤檢率。Sudhaker團(tuán)隊(duì)[3]使用Gabor濾波器進(jìn)行人臉的檢測(cè),通過濾波生成不同角度和方向的人臉圖像通過匹配算法與數(shù)據(jù)庫中的人臉輪廓進(jìn)行比對(duì)。人工設(shè)計(jì)特征的檢測(cè)算法，由于特征表達(dá)能力有限，容易受外界環(huán)境變化的影響，所以在復(fù)雜場(chǎng)景下檢測(cè)性能難有提升。

基于深度學(xué)習(xí)的人臉檢測(cè)算法大致分為兩類：以Faster R-CNN[4]為代表的兩步法(Two-Stage)：這類方法首先提取候選區(qū)域，再基于候選區(qū)域做二次修正，特點(diǎn)是速度較慢，但精度很高；以SSD[5]為代表的一步法(One-Stage)：這類方法通過直接對(duì)預(yù)設(shè)在圖像上的邊界框做修正來獲得檢測(cè)結(jié)果，特點(diǎn)是速度與精度相均衡。

目前人臉檢測(cè)技術(shù)的難點(diǎn)是如何在有限的資源上完成實(shí)時(shí)檢測(cè)并兼顧準(zhǔn)確性，究其原因是現(xiàn)在通用的目標(biāo)檢測(cè)模型往往本身復(fù)雜度高，神經(jīng)網(wǎng)絡(luò)模型參數(shù)多，計(jì)算量大，而它們的簡(jiǎn)化版本(tiny)雖然速度有所提高,但是檢測(cè)精度卻大打折扣，不能滿足現(xiàn)實(shí)生活中的需要。

為解決上述不足，本文認(rèn)為關(guān)鍵點(diǎn)是輕量化模型設(shè)計(jì)，并增加一系列的trick提高網(wǎng)絡(luò)的檢測(cè)精度,提出了以YOLOv3[6]為基礎(chǔ)的一種基于MobileNet[7-9]中深度可分卷積替換傳統(tǒng)卷積的輕量化模型,主要貢獻(xiàn)可總結(jié)為：

(1)針對(duì)人臉檢測(cè)不能滿足實(shí)時(shí)性的問題，采用MobileNet中的深度可分卷積輕量化YOLOv3模型，降低計(jì)算量，加快檢測(cè)速度。

(2)針對(duì)人臉檢測(cè)因人臉尺寸不一容易出現(xiàn)漏檢的情況，增加了SPP結(jié)構(gòu)，尺度不變的同時(shí)可提取不同尺寸的空間特征信息,提升模型的魯棒性。

(3)針對(duì)人臉檢測(cè)易受環(huán)境影響召回率不高的問題，基于YOLOv3中的FPN[10]結(jié)構(gòu)，增加Self-attention[11]機(jī)制，加強(qiáng)不同尺度預(yù)測(cè)特征層上語義信息與位置信息的融合，提高檢測(cè)精度，降低環(huán)境對(duì)人臉檢測(cè)的影響。

1 相關(guān)理論基礎(chǔ)

1.1 MobileNet網(wǎng)絡(luò)

MobileNet是google團(tuán)隊(duì)于2017年發(fā)表的專門針對(duì)移動(dòng)端或者小型設(shè)備開發(fā)的輕量級(jí)CNN網(wǎng)絡(luò)，提出了深度可分卷積這一結(jié)構(gòu)。相比傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò),在略微降低準(zhǔn)確率的前提下大幅減少了模型參數(shù)與運(yùn)算量，與同樣是通過堆疊卷積層構(gòu)建的VGG16網(wǎng)絡(luò)相比準(zhǔn)確率僅降低了0.9個(gè)百分點(diǎn)但是模型參數(shù)只有VGG大小的1/32。

深度可分卷積(depthwise separable convolution)的定義請(qǐng)參見文獻(xiàn)[7]。圖1中的depthwise convolution就是深度卷積，在深度卷積中，每一個(gè)卷積核的深度都為1，也就是說每一個(gè)卷積都只對(duì)應(yīng)輸入特征矩陣中的一個(gè)通道，也只提取一個(gè)通道的特征，所以得到的輸出特征矩陣的深度等于輸入特征矩陣的深度。逐點(diǎn)卷積則對(duì)應(yīng)圖1中的pointwise convolution，其實(shí)逐點(diǎn)卷積就是卷積核大小為1的普通卷積，它對(duì)深度卷積計(jì)算出來的結(jié)果進(jìn)行1×1的卷積運(yùn)算,并將得到的特征圖再串聯(lián)起來，維持特征的完整性。標(biāo)準(zhǔn)的卷積運(yùn)算是一步中就包含了深度計(jì)算和合并計(jì)算，然后直接將輸入變成一個(gè)新的尺寸的輸出。深度可分卷積是將這個(gè)一步的操作分成了兩層，一層做深度計(jì)算，一層做合并計(jì)算。這種分解的方式極大地減少了計(jì)算量和模型的大小。深度卷積和逐點(diǎn)卷積如圖1所示。

圖1 深度可分卷積

1.2 YOLOv3網(wǎng)絡(luò)

2018年Redmon發(fā)布的YOLOv3(you olny look once)可謂是前兩代YOLO[12,13]的集大成者，在原有YOLO算法的基礎(chǔ)上修改主干特征提取網(wǎng)絡(luò)，改變對(duì)邊界框的預(yù)測(cè)方式并引入一些新的結(jié)構(gòu)來增加mAP，使其成為當(dāng)時(shí)最受歡迎的one-stage目標(biāo)檢測(cè)網(wǎng)絡(luò)之一。

YOLOv3的主干特征提取網(wǎng)絡(luò)較之于YOLOv2[13]的Darknet-19，采用重新訓(xùn)練的Darknet-53，Top-1達(dá)到了77.2個(gè)百分點(diǎn)，對(duì)比原來的Darknet-19有非常明顯的提升。和Darknet-19一樣，Darknet-53中有53個(gè)卷積層，所以稱為Darknet-53。具體網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

圖2 YOLOv3網(wǎng)絡(luò)結(jié)構(gòu)

YOLOv3引入了FPN結(jié)構(gòu)，會(huì)在3個(gè)預(yù)測(cè)特征層上進(jìn)行預(yù)測(cè)，每個(gè)預(yù)測(cè)特征層上使用3種尺度的預(yù)測(cè)邊界框。這3種尺度也是通過k-means聚類算法得到的，一共9組尺度。在YOLOv3中稱這些預(yù)設(shè)的目標(biāo)邊界框作bounding box priors，與SSD中的anchor類似。每一個(gè)預(yù)測(cè)特征層上的一個(gè)網(wǎng)格會(huì)預(yù)測(cè)3種尺度，所以在每個(gè)預(yù)測(cè)特征層上會(huì)預(yù)測(cè)N×N×[3×(4+1+80)] (N是指特征矩陣的高和寬)，也就是說一個(gè)bounding box priors需要預(yù)測(cè)85個(gè)參數(shù)(4個(gè)偏移參數(shù)，1個(gè)confidence，80個(gè)classes score(因?yàn)槭窃赾oco數(shù)據(jù)集上))。

2 網(wǎng)絡(luò)模型

2.1 主干特征提取網(wǎng)絡(luò)的替換

對(duì)于YOLOv3而言，其網(wǎng)絡(luò)結(jié)構(gòu)可以大致分為以下兩個(gè)部分：①主干特征提取網(wǎng)絡(luò)Darknet-53；②預(yù)測(cè)網(wǎng)絡(luò)YOLO-head。第一部分的主干特征提取網(wǎng)絡(luò)進(jìn)行圖像特征的初步提取，提取后可以獲得3個(gè)初步的有效特征層,預(yù)測(cè)網(wǎng)絡(luò)則根據(jù)第一步獲取的有效特征層進(jìn)行目標(biāo)的預(yù)測(cè)。

MobileNet網(wǎng)絡(luò)雖然用于圖像分類任務(wù)，但它的主干網(wǎng)絡(luò)(backbone)的作用也是初步的特征提取，可以使用MobileNet替換YOLOv3中的Darknet-53進(jìn)行特征的提取。

基于上述想法，要想用MobileNetV1模型替換Darknet-53模型，只需將經(jīng)過Darknet-53后得到的3個(gè)初步有效特征層替換成MobileNetV1中shape相同的特征層即可。如表1所示，輸入圖片的大小控制為320×320，第一次卷積為普通的卷積，其它卷積為DW卷積，DW的普遍使用提高了模型的計(jì)算速度，表中有3處加粗的Output分別為：40×40×256，20×20×512和10×10×1024，這3個(gè) Output是為后面的特征金字塔(FPN)提供的input即替代3個(gè)有效特征層的特征層的shape值。

表1 MobilenetV1架構(gòu)

2.2 增加空間金字塔池化

He等提出卷積神經(jīng)網(wǎng)絡(luò)是由卷積層和全連接層組成，卷積層對(duì)輸入圖像的大小并沒有要求，但是第一個(gè)全連接層的輸入必須是大小固定的特征向量。人臉圖像由于圖像者本身，具體拍攝情況等一系列原因不可能達(dá)到固定的大小，如果直接對(duì)圖像進(jìn)行拉伸、縮放、裁剪等操作必然要損失信息從而影響到檢測(cè)的精度和算法的魯棒性。SPP(空間金字塔池化)也正是He等提出來的解決辦法。

考慮到與本文改進(jìn)模型的適配性，參考SPP結(jié)構(gòu)對(duì)其做出了改良，添加到第一個(gè)YOLO-head前的第5和第6層卷積之間。改良的SPP結(jié)構(gòu)如圖3所示。

圖3 改良的SPP結(jié)構(gòu)

選取池化核大小分別為13×13、9×9、5×5的池化核。首先從輸入直接接到輸出，這是第一個(gè)分支；第二個(gè)分支是池化核為5的最大池化下采樣；第三個(gè)是池化核大小為9的最大池化下采樣；第四個(gè)分支是池化核大小為13的最大池化下采樣。注意這里的步距都是1，意味著在池化之前會(huì)對(duì)特征矩陣進(jìn)行padding填充，填充之后進(jìn)行最大池化下采樣之后所得到的特征層的高度和寬度是沒有發(fā)生變化的。最后在深度上進(jìn)行一個(gè)Concatenate拼接就完成了。通過改良的SPP結(jié)構(gòu)實(shí)現(xiàn)了不同尺度的特征融合，并且使特征層的表達(dá)能力增強(qiáng)，有利于對(duì)不同尺寸的人臉圖像進(jìn)行檢測(cè)。

2.3 Self-attention與FPN融合

由2.1節(jié)可知，改進(jìn)的模型(以下簡(jiǎn)稱改進(jìn)的模型為SMYOLO)中FPN(特征金字塔)是基于MobileNetV1的第6層、第12層、第14層輸出來實(shí)現(xiàn)的，圖4為融合后的整體架構(gòu)，第一行Conv1、DWConv12、DWConv14為MobileNetV1的架構(gòu)。第二行以下模塊屬于FPN，圖4中紅色模塊與黃色模塊為Self-attention。黃色的Self-attention接收的是DWConv14輸出的特征圖(10×10×1024)，紅色右接收DWConv12與DWConv14上采樣的特征圖，紅色左接收DWConv6與DWConv12上采樣的特征圖。

圖4 SMYOLO框架

在介紹Self-attention與FPN融合前,首先介紹下Self-attention機(jī)制。Self-attention的流程如圖5所示。

圖5 Self-attention[11]

f(x),g(x) 和h(x) 都是普通的1×1卷積,差別只在于輸出通道大小不同也就是每個(gè)權(quán)重的規(guī)格是不一樣的，規(guī)格見式(1)。將f(x) 的輸出轉(zhuǎn)置，并和g(x) 的輸出相乘，再經(jīng)過Softmax歸一化得到一個(gè)Attention map。將得到的Attention map和h(x) 逐像素點(diǎn)相乘,就能得到自適應(yīng)注意力的feature maps

(1)

圖5中輸入的feature map(x)就是經(jīng)過隱藏層后得到的特征圖，對(duì)應(yīng)圖4中3個(gè)Self-attention接收的特征圖，對(duì)于x來說它的維度是C×N，C表示通道數(shù)，N表示圖片的寬度×高度，換句話來說就是這個(gè)feature map中一共有多少個(gè)像素點(diǎn)。f(x)、g(x)、h(x) 的計(jì)算公式見式(2)

f(x)=Wf·xg(x)=Wg·xh(x)=Wh·x

(2)

(3)

式中：βj,i代表生成第j個(gè)Attention map矩陣區(qū)域時(shí),模型對(duì)第i個(gè)位置的關(guān)注程度。

如何將Self-attention與FPN融合來降低環(huán)境對(duì)人臉檢測(cè)的干擾。第一部分是Self-attention機(jī)制一,如圖6所示，對(duì)應(yīng)圖4中SMYOLO框架黃色的Self-attention機(jī)制。將MobilenetV1的DWConv14輸出特征圖(10×10×1024)作為Self-attention機(jī)制一的輸入，然后通過Self-attention輸出特征圖(10×10×256)。

圖6 Self-attention機(jī)制一

第二部分是Self-attention機(jī)制二，如圖7所示，Self-attention機(jī)制二的輸入是兩部分，第一部分是MobileNetV1中DWConv12的輸出特征圖(20×20×512),第二部分是Self-attention機(jī)制一模塊的輸出特征圖(10×10×256)。將特征圖(10×10×512)進(jìn)行f(x) 和g(x) 的計(jì)算，并計(jì)算出Attention map，如圖7綠色部分。

Attention map是采用DWConv12輸出的特征圖計(jì)算出來的，相對(duì)于DWConv11輸出的特征圖語義信息強(qiáng)，本文用Attention map來聚焦人臉的特征，Attention集中在人臉，減小環(huán)境對(duì)人臉的影響。為了使Attention map發(fā)揮作用，將DWConv11的特征圖與經(jīng)過h(x) 處理后的特征圖進(jìn)行融合(*)(對(duì)應(yīng)像素相加)。如圖7的黃色部分

(4)

式(4)是計(jì)算Attention map層的輸出，得到Self-attention feature maps的計(jì)算公式。其中，o代表最終的輸出，維度是C×N即C×N大小的一個(gè)自適應(yīng)注意力的矩陣。h(xi)+X是上文中的步驟*。v(xi) 表示一個(gè)1×1大小的矩陣，維度是C×C。

圖7 Self-attention機(jī)制二(模塊一)

圖8是Self-attention機(jī)制二的第二模塊，原理與第一模塊一樣，不同的是輸入不同，模塊二的輸入分為兩個(gè)部分，第一部分是Self-attention第一模塊的輸出特性圖(20×20×128)，第二部分是MobileNetv1的DWConv5的輸出特征圖(40×40×256)。

圖8 Self-attention機(jī)制二(模塊二)

2.4 DIoU損失函數(shù)

YOLOv3在計(jì)算置信度損失時(shí)使用的是IoU[14]損失函數(shù)，IoU表示預(yù)測(cè)目標(biāo)邊界框和真實(shí)目標(biāo)邊界框之間的重合程度，計(jì)算公式見式(5)

(5)

式中：A為預(yù)測(cè)邊界框的面積，B為真實(shí)邊界框的面積，IoU(A,B)表示A與B的交并比，即A與B面積的交集和A與B面積的并集的比值?？梢园l(fā)現(xiàn)IoU能夠很好反應(yīng)預(yù)測(cè)邊界框和目標(biāo)邊界框的重合程度，但是當(dāng)二者相交時(shí)損失直接就變成0，這是我們不想看到的結(jié)果。為了避免在改進(jìn)的模型中計(jì)算置信度損失時(shí)出現(xiàn)這種無法優(yōu)化的情況，本文采用DIoU[15]作為邊界框回歸損失函數(shù)，公式見式(6)

(6)

式中：b是指預(yù)測(cè)目標(biāo)邊界框的中心坐標(biāo)，bgt是指真實(shí)目標(biāo)邊界框的中心坐標(biāo)，ρ代表兩個(gè)中心之間的歐氏距離的平方，即圖9中d的平方，c是指預(yù)測(cè)邊界框和真實(shí)邊界框的最小外接矩形的對(duì)角線的長(zhǎng)度。由此可見DIoU損失對(duì)預(yù)測(cè)邊界框和真實(shí)邊界框之間的歸一化距離進(jìn)行了建模，如圖9所示，在考率重合度的同時(shí)還考慮到兩者之間的中心距離和尺度，可以更快更穩(wěn)定地進(jìn)行回歸。因?yàn)榭紤]到了中心距離，即使在預(yù)測(cè)邊界框和真實(shí)邊界框不重合的情況下也能為回歸移動(dòng)提供方向，這樣就避免了IoU為0時(shí)訓(xùn)練發(fā)散，回歸收斂慢的問題。

圖9 DIoU計(jì)算參數(shù)

同時(shí)DIoU損失能夠直接最小化兩個(gè)邊界框之間的距離，因此收斂速度也更快，且對(duì)邊界框的尺度具有不變性，使預(yù)測(cè)邊界框回歸真實(shí)邊界框時(shí)定位更加準(zhǔn)確。

從表2可知，DIoU在mAP上優(yōu)于IoU，因此選擇DIoU作為邊界框回歸損失函數(shù)對(duì)模型的檢測(cè)性能是有很大提升的。

表2 IoU與DIoU損失函數(shù)對(duì)比

3 實(shí)驗(yàn)與結(jié)果分析

3.1 實(shí)驗(yàn)數(shù)據(jù)

本文用于模型訓(xùn)練的人臉圖片來自大型人臉公開數(shù)據(jù)集WIDER FACE，由香港中文大學(xué)資訊工程學(xué)系多媒體實(shí)驗(yàn)室制作，包含32 203張圖像共40多萬張人臉，涵蓋不同尺度、光照、表情、遮擋等不同類型的人臉數(shù)據(jù)，大部分?jǐn)?shù)據(jù)環(huán)境復(fù)雜，人臉和小人臉眾多，是訓(xùn)練和檢驗(yàn)人臉檢測(cè)模型較為官方有效的數(shù)據(jù)集之一。本文在一開始訓(xùn)練模型時(shí)還采用了LFW人臉數(shù)據(jù)集，LFW人臉數(shù)據(jù)集圖像尺寸固定，大部分圖像中只包含一張人臉且人臉特征十分明顯，相對(duì)于WIDER FACE而言識(shí)別簡(jiǎn)單，用于一開始初步訓(xùn)練模型非常合適。圖10為L(zhǎng)FW和WIDER FACE數(shù)據(jù)集中的示例圖片。

圖10 LFW和WIDER FACE數(shù)據(jù)集中的示例

最終選取WIDER FACE和LFW數(shù)據(jù)集中15 494張圖像進(jìn)行模型的訓(xùn)練，訓(xùn)練集和驗(yàn)證集和測(cè)試集的比例按照7∶2∶1的比例在總圖像中隨機(jī)抽取,保證各類人臉圖像的平衡。

3.2 實(shí)驗(yàn)環(huán)境及訓(xùn)練參數(shù)

實(shí)驗(yàn)訓(xùn)練所采用的設(shè)備為NVIDIA GeForce RTX 2080Ti,CPU i7 9700 K，內(nèi)存16 GB，操作系統(tǒng)為Ubuntu 18.04 64位，編譯環(huán)境/語言Pycharm2019.2/Python 3.7，使用Pytorch1.6框架進(jìn)行深度學(xué)習(xí)，cuda版本10.1。

根據(jù)事先寫入用于訓(xùn)練的.yaml超參數(shù)文件進(jìn)行模型的訓(xùn)練，初始學(xué)習(xí)率0.001，衰減系數(shù)0.0005，最小批量32。

3.3 評(píng)價(jià)標(biāo)準(zhǔn)

本實(shí)驗(yàn)針對(duì)人臉檢測(cè)效率、準(zhǔn)確度兩個(gè)方面，選取速度、召回率(Recall)、精度均值(average precision，AP)3個(gè)指標(biāo)來評(píng)估各模型的人臉檢測(cè)表現(xiàn)。

召回率(Recall)是所有真實(shí)目標(biāo)中，模型預(yù)測(cè)正確的目標(biāo)比例，公式為

(7)

平均精度(AP)是P-R曲線下面積，P-R曲線即Precision-Recall曲線，Precision為查準(zhǔn)率，表示模型預(yù)測(cè)的所有目標(biāo)中，預(yù)測(cè)正確的比例。求解Precision的公式為

(8)

其中，TP表示IoU>0.5時(shí)檢測(cè)框的數(shù)量，同一個(gè)真實(shí)目標(biāo)框只計(jì)算一次；FP表示IoU≤0.5的檢測(cè)框或者是檢測(cè)到同一個(gè)真實(shí)目標(biāo)框的多余的檢測(cè)框的數(shù)量；FN表示沒有檢測(cè)到的真實(shí)目標(biāo)框的數(shù)量。

檢測(cè)速度表示為每秒鐘處理圖像的數(shù)量，單位FPS。

3.4 實(shí)驗(yàn)結(jié)果與分析

考慮到本文提出的改進(jìn)網(wǎng)絡(luò)模型是用于人臉實(shí)時(shí)檢測(cè)的，在減少參數(shù)和計(jì)算量的同時(shí)要保留較高的檢測(cè)精度，故選擇YOLOv3-tiny、YOLOv3、Faster R-CNN、SSD-Lite作為對(duì)比模型。所有算法均在WIDER FACE和LFW共同構(gòu)建的數(shù)據(jù)集上進(jìn)行測(cè)試，測(cè)試對(duì)比結(jié)果見表3。

表3 不同算法結(jié)果對(duì)比

由表3可知，像Faster R-CNN這一two stage的大型網(wǎng)絡(luò)，在人臉檢測(cè)任務(wù)中雖然檢測(cè)速率低但是檢測(cè)精度非常高，YOLOv3作為平衡速度和精度的one stage模型代表，在人臉檢測(cè)任務(wù)中雖不落下風(fēng)，但和本文改進(jìn)的方法相比無論是精度還是速度都沒有任何優(yōu)勢(shì)。剩下的兩個(gè)輕量級(jí)網(wǎng)絡(luò)，在檢測(cè)速度方面依然無人能敵，但是削減了網(wǎng)絡(luò)層數(shù)，模型整體結(jié)構(gòu)簡(jiǎn)單檢測(cè)效果方面達(dá)不到實(shí)際中的要求。本文的方法雖然檢測(cè)精度略低于Faster R-CNN,但是速度是它的兩倍多。與原方法相比在YOLOv3的基礎(chǔ)上替換了主干特征提取網(wǎng)絡(luò)，減少模型參數(shù)以及計(jì)算量更能滿足實(shí)際應(yīng)用中檢測(cè)速度的需求，同時(shí)增加了SPP結(jié)構(gòu)尺度不變的同時(shí)可提取不同尺寸的空間特征信息，提升模型的魯棒性，檢測(cè)速度低于兩個(gè)輕量級(jí)網(wǎng)絡(luò)也是因?yàn)樵谟?xùn)練后期mAP上升的同時(shí)能檢測(cè)出更多的人臉圖像。綜上所述，本文提出的方法更適合運(yùn)用在人臉檢測(cè)的任務(wù)當(dāng)中。

為了更明顯表示我們的方法更適合運(yùn)用在人臉檢測(cè)任務(wù)中，選取了測(cè)試中的一些圖片進(jìn)行檢測(cè)效果的分析，從上到下依次是原圖、YOLOv3-tiny的檢測(cè)結(jié)果、YOLOv3的檢測(cè)結(jié)果、本文的檢測(cè)結(jié)果。

從圖11看出，在小人臉眾多的場(chǎng)景下YOLOv3-tiny漏檢嚴(yán)重，且人臉置信度也是最低的，YOLOv3效果比YOLOv3-tiny較優(yōu)，在右上方還是有3張人臉漏檢的情況，人臉置信度也有相應(yīng)的提升，本文的算法只有最后一張小人臉漏檢，檢測(cè)效果非常強(qiáng)勁，因此可見本文改進(jìn)的方法更適合用于人臉檢測(cè)任務(wù)當(dāng)中。

圖11 各種方法的效果對(duì)比

4 結(jié)束語

本文提出了一種改進(jìn)YOLOv3的輕量化人臉檢測(cè)方法。用MobileNetV1替代YOLOv3的主干特征提取網(wǎng)絡(luò)Drrknet-53，引入深度可分卷積，大幅減少網(wǎng)絡(luò)參數(shù)和計(jì)算量。增加了SPP結(jié)構(gòu)，尺度不變的同時(shí)可提取不同尺寸圖像的空間特征信息，實(shí)現(xiàn)不同尺度的特征融合，并且使特征層的表達(dá)能力增強(qiáng)。Self-attention機(jī)制與FPN結(jié)構(gòu)的融合，減少環(huán)境對(duì)檢測(cè)的干擾，使用DIoU損失函數(shù)加速模型收斂。實(shí)驗(yàn)結(jié)果表明,相較于原算法YOLOv3，在公開人臉數(shù)據(jù)集WIDER FACE上mAP提高了9.0個(gè)百分點(diǎn)，檢測(cè)速度達(dá)到了61 FPS，滿足人臉檢測(cè)任務(wù)中的準(zhǔn)確率和實(shí)時(shí)性。在今后的研究中，會(huì)從其它方面進(jìn)一步優(yōu)化我們的模型，使其速度更快精度更高，并且適應(yīng)多種場(chǎng)景下的人臉檢測(cè)任務(wù)。