董春峰，楊春金，周萬珍

(1.河北科技大學(xué)信息科學(xué)與工程學(xué)院，河北石家莊 050018；2.河北太行機(jī)械工業(yè)有限公司，河北石家莊 052160)

人臉檢測是從圖像中檢測人臉是否存在，并定位圖像中的人臉區(qū)域。經(jīng)過幾十年的發(fā)展與研究，人工智能的很多領(lǐng)域都需要應(yīng)用人臉檢測算法，如表情識(shí)別，人臉識(shí)別，智能安防等[1-4]。在現(xiàn)實(shí)環(huán)境中，人臉檢測算法主要面臨如下考驗(yàn)，不僅需要應(yīng)對(duì)人臉遮擋、光照變化和人臉姿態(tài)多樣性的問題，還應(yīng)具備生產(chǎn)環(huán)境下實(shí)時(shí)處理的功能。因此，如何提升人臉檢測算法的精度以及檢測速度已成為當(dāng)下研究的熱點(diǎn)問題。

傳統(tǒng)的人臉檢測算法主要以特征提取為主，例如基于Haar-like特征的Viola-Jones級(jí)聯(lián)檢測器[5]，基于方向梯度直方圖(histogram of oriented gradient，HOG)特征的DPM(deformable parts model)算法[6]，以及基于范例的VPE算法[7]。近年來，隨著深度學(xué)習(xí)在圖像方面的應(yīng)用越來越廣泛，基于卷積神經(jīng)網(wǎng)絡(luò)的人臉檢測算法已經(jīng)成為主要的研究方向，例如基于級(jí)聯(lián)神經(jīng)網(wǎng)絡(luò)的CascadeCNN算法[8]，基于濾波信道特征和卷積神經(jīng)網(wǎng)絡(luò)結(jié)合的CCF(convolutional channel features)算法[9]，基于多任務(wù)級(jí)聯(lián)卷積神經(jīng)網(wǎng)絡(luò)的MTCNN(multi-task convolutional neural network)算法[10]。目前，雖然結(jié)合深度神經(jīng)網(wǎng)絡(luò)VGGNet以及ResNet的一些人臉檢測算法[11-13]能夠?qū)崿F(xiàn)比較高的精度，但是在檢測速度上還是比較慢的。

上述算法中，MTCNN算法因可以兼顧檢測速度以及精度而得到廣泛應(yīng)用[14-16]。但是，MTCNN算法在檢測小人臉方面的魯棒性還比較低。針對(duì)MTCNN算法存在的問題，本文提出一種基于感受野增強(qiáng)的多任務(wù)級(jí)聯(lián)人臉檢測算法，相比原始算法在FDDB數(shù)據(jù)集上有更高的檢測精度，以及更快的檢測速度。

1 相關(guān)理論研究

1.1 MTCNN算法

MTCNN算法是一個(gè)多任務(wù)級(jí)聯(lián)卷積神經(jīng)網(wǎng)絡(luò)，能夠完成人臉驗(yàn)證、人臉邊界框回歸、人臉關(guān)鍵點(diǎn)回歸3個(gè)任務(wù)。MTCNN算法主要包含3個(gè)神經(jīng)網(wǎng)絡(luò)P-Net，R-Net和O-Net。P-Net網(wǎng)絡(luò)是全卷積神經(jīng)網(wǎng)絡(luò)，可以輸入任意大小的圖片，主要用于人臉區(qū)域粗略過濾；R-Net網(wǎng)絡(luò)用于人臉區(qū)域的精細(xì)過濾；O-Net網(wǎng)絡(luò)用于人臉關(guān)鍵點(diǎn)選定和人臉區(qū)域的最終選定。

MTCNN算法的主要流程：首先將輸入的圖片生成圖像金字塔，然后把圖像金字塔中的圖片送入P-Net網(wǎng)絡(luò)，因其可以快速生成多個(gè)預(yù)測框，最后使用非極大抑制(non-maximum suppression，NMS)算法從預(yù)測框中選取候選框，將所有候選框的尺寸變?yōu)?4×24后送入R-Net網(wǎng)絡(luò)；從R-Net網(wǎng)絡(luò)中得到人臉框，經(jīng)NMS算法過濾后作為候選框，將候選框的尺寸變?yōu)?8×48后送入O-Net網(wǎng)絡(luò)；O-Net網(wǎng)絡(luò)能夠返回最終人臉框和人臉的關(guān)鍵點(diǎn)信息。

1.2 RFB-S模塊

經(jīng)過生物學(xué)家的研究表明，人臉視覺的感受野是一個(gè)與視網(wǎng)膜折射率相關(guān)的函數(shù)，RFB(receptive field block)模塊正是借鑒該思想來模擬人眼的感受野，在結(jié)構(gòu)上RFB借鑒了Inception網(wǎng)絡(luò)多分支神經(jīng)網(wǎng)絡(luò)的思想，其次引入空洞卷積層?？斩淳矸e層的原理是在普通卷積核中填充0，可以實(shí)現(xiàn)在不增加計(jì)算量的情況下，擴(kuò)大感受野。RFB模塊中的多分支結(jié)構(gòu)使用大小不同的卷積核來模擬不同大小的人眼感受野；后端空洞卷積用于模擬視網(wǎng)膜的折射率和人眼的感受野之間的聯(lián)系。RFB模塊如圖1所示。感受野模塊(receptive field blocks，RFB-S)是基于人類視覺感受野所設(shè)計(jì)的，可以增強(qiáng)模型對(duì)特征的可分辨性以及對(duì)小目標(biāo)的魯棒性[17]。RFB-S模塊是在RFB模塊的基礎(chǔ)上將5×5卷積層替換為2個(gè)3×3卷積層，將3×3卷積層替換為1×3卷積層和3×1卷積層，目的是減少模型的參數(shù)量。RFB-S模塊如圖2所示。

圖1 RFB模塊Fig.1 RFB module

圖2 RFB-S模塊Fig.2 RFB-S module

2 改進(jìn)的MTCNN算法

傳統(tǒng)的MTCNN算法使用標(biāo)準(zhǔn)的卷積層，感受野會(huì)隨著網(wǎng)絡(luò)深度的增加而增加，有利于大尺度人臉的檢測，但是不利于小尺寸人臉檢測。為了解決這個(gè)問題，本文結(jié)合RFB-S模塊和MTCNN網(wǎng)絡(luò)模型提出一種改進(jìn)的人臉檢測算法，相比原始MTCNN算法網(wǎng)絡(luò)模型主要有以下改進(jìn)。

1)去除P-Net網(wǎng)絡(luò)和R-Net網(wǎng)絡(luò)的人臉關(guān)鍵點(diǎn)選取任務(wù)。通過理解MTCNN算法的流程，發(fā)現(xiàn)P-Net網(wǎng)絡(luò)和R-Net網(wǎng)絡(luò)的主要任務(wù)為人臉檢測框的選定與初步過濾，刪除人臉關(guān)鍵點(diǎn)回歸任務(wù)，對(duì)網(wǎng)絡(luò)精度影響很小。去除P-Net網(wǎng)絡(luò)和R-Net網(wǎng)絡(luò)的人臉關(guān)鍵點(diǎn)選取任務(wù)能夠減少網(wǎng)絡(luò)的訓(xùn)練時(shí)間。

2)為R-Net網(wǎng)絡(luò)和O-Net網(wǎng)絡(luò)增加RFB-S模塊。RFB-S模塊增強(qiáng)了神經(jīng)網(wǎng)絡(luò)的深層特征，保留了特征圖的邊緣部分，擴(kuò)大了網(wǎng)絡(luò)的感受野，從而能夠獲取更準(zhǔn)確的候選框。由于初始算法中的P-Net網(wǎng)絡(luò)比較簡單，并且在實(shí)驗(yàn)過程中發(fā)現(xiàn)，如果在P-Net網(wǎng)絡(luò)中增加感受野模塊，雖然會(huì)略微提升P-Net網(wǎng)絡(luò)的精度，但是運(yùn)算時(shí)間也會(huì)相應(yīng)的增加較多。所以，本文沒有選擇在P-Net網(wǎng)絡(luò)中添加RFB-S模塊。

3)為3個(gè)網(wǎng)絡(luò)中添加BN層[18]。由于在RFB-S模塊中存在BN層，為了保證一致性，在MTCNN網(wǎng)絡(luò)中的卷積層與激活函數(shù)之間加入BN層。BN層能夠使所有輸入的數(shù)據(jù)歸一化均值為0，方差為1 的正態(tài)分布的數(shù)據(jù)，能夠加速網(wǎng)絡(luò)收斂，提升訓(xùn)練速度。

4)使用GAP(全局平均池化)層代替R-Net網(wǎng)絡(luò)和O-Net網(wǎng)絡(luò)的全連接層。在MTCNN的各個(gè)網(wǎng)絡(luò)中，全連接層的參數(shù)占比比較大，這就導(dǎo)致網(wǎng)絡(luò)特征提取的壓力很大一部分在全連接層，網(wǎng)絡(luò)容易過擬合。

改進(jìn)的MTCNN算法網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。在P-Net網(wǎng)絡(luò)中加入BN以及減少了關(guān)鍵點(diǎn)回歸任務(wù)。在R-Net網(wǎng)絡(luò)和O-Net網(wǎng)絡(luò)中加入了RFB-S模塊以及將全連接層替換為GAP層。

圖3 改進(jìn)MTCNN網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.3 Improved MTCNN network structure diagram

3 實(shí) 驗(yàn)

3.1 實(shí)驗(yàn)環(huán)境

本功能實(shí)驗(yàn)系統(tǒng)為Ubuntu20.04，CPU型號(hào)為i7-7900K，GPU型號(hào)為NVIDIA GeForce GTX2070 Super。編程語言為Python，深度學(xué)習(xí)框架為Pytorch。

3.2 數(shù)據(jù)集及數(shù)據(jù)預(yù)處理

使用WIDER FACE[19]數(shù)據(jù)集以及LFPW[20]數(shù)據(jù)集作為訓(xùn)練集，F(xiàn)DDB數(shù)據(jù)集作為測試集。WIDER FACE數(shù)據(jù)集的訓(xùn)練集包含12 880張圖片，包含超過150 000個(gè)人臉標(biāo)注框，主要用于訓(xùn)練3個(gè)網(wǎng)絡(luò)的人臉驗(yàn)證以及人臉區(qū)域選取任務(wù)。LFPW數(shù)據(jù)集包括10 000張人臉圖片，用于訓(xùn)練O-Net網(wǎng)絡(luò)的人臉關(guān)鍵點(diǎn)回歸任務(wù)。FDDB數(shù)據(jù)集擁有2 845張圖像，包含超過5 000個(gè)人臉框，用于驗(yàn)證本文算法的有效性。

使用4種類型的人臉注釋，與真實(shí)人臉框的IoU(候選框與真實(shí)人臉框交集和并集的比值)大于0.65為正樣本；IoU在0.40～0.65為部分人臉樣本；IoU小于0.30為負(fù)樣本；包含左眼、右眼、鼻子、左嘴角和右嘴角特征的人臉關(guān)鍵點(diǎn)樣本。

P-Net網(wǎng)絡(luò)的訓(xùn)練樣本尺寸為12×12。R-Net網(wǎng)絡(luò)的訓(xùn)練樣本尺寸為24×24，需要使用訓(xùn)練好的P-Net網(wǎng)絡(luò)來獲取。O-Net網(wǎng)絡(luò)的訓(xùn)練樣本尺寸為48×48，需要使用訓(xùn)練好的P-Net網(wǎng)絡(luò)和R-Net網(wǎng)絡(luò)獲取。由于LFPW數(shù)據(jù)集以及WIDER FACE數(shù)據(jù)集中均包含非常小的低質(zhì)量的人臉圖像，所以在制作3個(gè)網(wǎng)絡(luò)的訓(xùn)練樣本時(shí)，舍棄了數(shù)據(jù)集中尺寸小于20×20的人臉圖像，能夠達(dá)到去除數(shù)據(jù)集中噪聲的效果，增強(qiáng)模型的魯棒性。

3.3 損失函數(shù)

本文算法在訓(xùn)練時(shí)主要有3個(gè)任務(wù)，分別為人臉驗(yàn)證、人臉邊界框回歸，以及人臉關(guān)鍵點(diǎn)回歸。

在人臉驗(yàn)證中，采用交叉熵?fù)p失函數(shù)進(jìn)行計(jì)算，損失函數(shù)如式(1)所示：

(1)

人臉邊界框回歸主要返回1個(gè)四維向量(x,y,ω,h)，其中x,y表示人臉邊框左上頂點(diǎn)的坐標(biāo)，ω表示人臉邊界框的寬度，h表示人臉邊界框的高度。

對(duì)于每一個(gè)樣本使用歐幾里德?lián)p失作為人臉邊界框任務(wù)的損失函數(shù)，如式(2)所示。

(2)

人臉關(guān)鍵點(diǎn)回歸的目標(biāo)為返回左眼、右眼、鼻子、左嘴角、右嘴角5個(gè)特征點(diǎn)，其中每一個(gè)特征點(diǎn)包含2個(gè)坐標(biāo)。

對(duì)于每一個(gè)樣本使用歐幾里德?lián)p失函數(shù)，如式(3)所示。

(3)

在MTCNN算法中，每一個(gè)網(wǎng)絡(luò)都包含多個(gè)訓(xùn)練任務(wù)，不同網(wǎng)絡(luò)針對(duì)不同的訓(xùn)練任務(wù)的側(cè)重點(diǎn)不同。所以需要將所有任務(wù)的損失函數(shù)組合起來，總體損失函數(shù)如式(4)所示。

(4)

在本文算法中，P-Net和R-Net沒有人臉關(guān)鍵點(diǎn)檢測任務(wù)，所以每一個(gè)任務(wù)的ωj設(shè)置為ωdet=1，ωbox=0.5，ωlandmark=0，O-Net網(wǎng)絡(luò)中各個(gè)任務(wù)的權(quán)重分別為ωdet=1，ωbox=0.5，ωlandmark=1。

3.4 實(shí)驗(yàn)結(jié)果分析

改進(jìn)MTCNN算法相比MTCNN算法，各個(gè)網(wǎng)絡(luò)模型大小對(duì)比結(jié)果如表1所示。因?yàn)镻-Net網(wǎng)絡(luò)增加了BN層，所以模型大小略微增加。R-Net網(wǎng)絡(luò)和O-Net網(wǎng)絡(luò)的全連接層替換為GAP層，所以R-Net網(wǎng)絡(luò)的模型大小減少了10%，O-Net網(wǎng)絡(luò)的模型大小減少了20%。

表1 改進(jìn)MTCNN與MTCNN模型大小比較Tab.1 Comparison of the size of improved MTCNN and MTCNN models

為了驗(yàn)證添加各個(gè)模塊對(duì)算法性能的影響。針對(duì)改進(jìn)MTCNN算法中的BN層以及RFB-S層+GPA進(jìn)行了消融實(shí)驗(yàn)，消融實(shí)驗(yàn)在FDDB數(shù)據(jù)集上進(jìn)行，實(shí)驗(yàn)結(jié)果如表2所示。從表中可以看出，BN層能夠使得網(wǎng)絡(luò)的檢測時(shí)間大幅度降低，檢測精度略微提高；RFB-S層能夠提高網(wǎng)絡(luò)檢測的精度，但是同時(shí)檢測時(shí)間也大幅度增加。本文方法通過兩者相結(jié)合，相比原始MTCNN算法平均檢測時(shí)間減少了6.97 ms，檢測精度提高了2.3%。

表2 改進(jìn)MTCNN算法在FDDB數(shù)據(jù)集上的消融實(shí)驗(yàn)Tab.2 Ablation experiment of improved MTCNN algorithm on FDDB dataset

為了評(píng)估改進(jìn)MTCNN算法的性能，將本文方法與Cascadecnn[8]，MTCNN[10]，DP2MFD[21]，F(xiàn)D-cnn[22]，LDCF+[23]等人臉檢測方法在FDDB數(shù)據(jù)集上做性能評(píng)估，選用ROC曲線作為評(píng)估指標(biāo)。在人臉檢測領(lǐng)域，ROC曲線的橫軸為假陽性，即檢測到的人臉錯(cuò)誤框的數(shù)目，縱軸為真陽性率(true positive rate，TPR)，即真實(shí)人臉被預(yù)測為正的比例。在FDDB數(shù)據(jù)集上，各個(gè)算法的ROC曲線如圖4所示。當(dāng)誤檢人臉框?yàn)? 000時(shí)，原始MTCNN的TPR為91.94%，本文算法的TPR為94.23%，提高了2.3%。圖中各個(gè)ROC曲線長短不一是因?yàn)槊總€(gè)算法的置信度閾值不一樣，閾值越高誤檢人臉框數(shù)目就越少。從圖4中可以看出，與其他人臉檢測算法相比，本文算法有著先進(jìn)的檢測性能。

圖4 FDDB數(shù)據(jù)集上的ROC曲線Fig.4 ROC curves on FDDB database

本文算法在進(jìn)行人臉檢測任務(wù)時(shí)，設(shè)定每個(gè)網(wǎng)絡(luò)的置信度閾值：P-Net=0.7，R-Net=0.8，O-Net=0.8，最小人臉尺寸為20×20。圖5為本文算法在WIDER FACE數(shù)據(jù)集上的檢測結(jié)果，實(shí)驗(yàn)結(jié)果表明該算法在現(xiàn)實(shí)環(huán)境中也具有很好的魯棒性。

圖5 WIDER FACE數(shù)據(jù)集上檢測結(jié)果Fig.5 Detection results on the WIDER FACE dataset

4 結(jié) 語

為了改善MTCNN算法在小人臉檢測方面魯棒性比較低的問題，提出了一種基于感受野增強(qiáng)的MTCNN人臉檢測算法，為MTCNN的R-Net網(wǎng)絡(luò)和O-Net網(wǎng)絡(luò)增加RBF-S感受野模塊來提升對(duì)小人臉檢測的魯棒性，引入批量標(biāo)準(zhǔn)化加速網(wǎng)絡(luò)收斂，使用GAP層替換網(wǎng)絡(luò)的全連接層，減少了模型的參數(shù)量。本文算法在減少模型大小的基礎(chǔ)上，提升了檢測速度和檢測精度，在FDDB數(shù)據(jù)集上的準(zhǔn)確率優(yōu)于大多數(shù)人臉檢測方法，能夠滿足現(xiàn)實(shí)中人臉檢測算法的需求，可以應(yīng)用于嵌入式設(shè)備中，完成人臉檢測任務(wù)，為表情識(shí)別、智能安防、人臉識(shí)別等提供技術(shù)支持。

本文算法雖然能很好地完成人臉檢測任務(wù)，并且提升了對(duì)小人臉檢測的魯棒性，但是在人臉出現(xiàn)嚴(yán)重遮擋時(shí)，其檢測效果不佳。今后將致力于提升算法對(duì)遮擋人臉的檢測效果，以便能夠完成更復(fù)雜的人臉檢測任務(wù)。