摘 要：近年來人臉檢測技術(shù)得到了快速發(fā)展，特別是基于人工智能神經(jīng)網(wǎng)絡(luò)的人臉檢測技術(shù)在一些工業(yè)級(jí)環(huán)境中得到了廣泛應(yīng)用，但這些人臉檢測技術(shù)在識(shí)別戴口罩的人臉時(shí)會(huì)出現(xiàn)召回率不高的現(xiàn)象。針對(duì)這個(gè)問題，研究一種能夠?qū)Υ骺谡秩四樳M(jìn)行精準(zhǔn)定位的技術(shù)，提出一種基于多尺度特征融合的人臉檢測算法。該算法使用MobileNet輕量級(jí)的網(wǎng)絡(luò)框架，引入特征金字塔融合模塊和SSH模塊，并設(shè)計(jì)了兩種損失函數(shù)：人臉分類損失函數(shù)和人臉檢測回歸框損失函數(shù)。實(shí)驗(yàn)中使用WIDER FACE和MAFA數(shù)據(jù)集對(duì)該算法進(jìn)行訓(xùn)練，并與當(dāng)前主流的人臉檢測算法進(jìn)行比較，結(jié)果表明文中提出的算法具有較好的性能。

關(guān)鍵詞：多尺度特征融合；口罩人臉檢測；特征金字塔融合模塊；SSH模塊；損失函數(shù)；MAFA數(shù)據(jù)集

中圖分類號(hào)：TP391.4 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2095-1302（2024）07-00-04

0 引 言

2020年新冠肺炎疫情在全球暴發(fā)，成為進(jìn)入21世紀(jì)以來最為嚴(yán)重的重大公共衛(wèi)生事件。為響應(yīng)國家疫情防控政策，降低公共場合的人員交叉感染風(fēng)險(xiǎn)，出門佩戴口罩成了常態(tài)化疫情防控的一種基本手段。如何在口罩遮蓋下進(jìn)行高準(zhǔn)確率的人臉識(shí)別是目前一大研究熱點(diǎn)。就目前而言，專門應(yīng)用于人臉佩戴口罩檢測的相關(guān)算法較少，由于國家政策和現(xiàn)實(shí)需要，一些科技公司和科學(xué)界的學(xué)者們開始投身于對(duì)人臉口罩佩戴檢測算法的研究當(dāng)中。

張修寶等人[1]提出一種基于深度學(xué)習(xí)的人臉佩戴口罩識(shí)別技術(shù)，該算法包括了人臉檢測定位以及佩戴口罩識(shí)別兩部分，其中人臉檢測定位部分使用了DFS算法[2]，對(duì)不同尺度的人臉都有較好的檢測準(zhǔn)確性；而人臉佩戴口罩識(shí)別部分是在ResNet50網(wǎng)絡(luò)[3]的基礎(chǔ)上，加入注意力學(xué)習(xí)機(jī)制，讓網(wǎng)絡(luò)突顯出口罩區(qū)域部分，從而達(dá)到提高模型分類的能力。王兵等人[4]提出一種輕量化的口罩佩戴檢測算法，該算法是在YOLOv4tiny[5]的基礎(chǔ)上進(jìn)行改進(jìn)的。為提取更多圖像特征信息，提出一種Max module結(jié)構(gòu)，能很好地提升模型檢測準(zhǔn)確率；為加快模型收斂速度，采取了CIoU[6]作為損失函數(shù)，使得模型預(yù)測的坐標(biāo)框更精準(zhǔn)。牛作東等人[7]在RetinaFace[8]的基礎(chǔ)上，通過改進(jìn)分類損失函數(shù)，減少了人臉口罩佩戴檢測損失；同時(shí)在特征金字塔網(wǎng)絡(luò)層加入注意力機(jī)制，以加強(qiáng)特征圖的表達(dá)能力。王藝皓等人[9]在YOLOv3[10]的基礎(chǔ)上，引入局部網(wǎng)絡(luò)（CSPNet）[11]，增強(qiáng)卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks， CNN）的學(xué)習(xí)能力，同時(shí)在最后一層特征層的卷積中加入SPP結(jié)構(gòu)[12]，具有較好的魯棒性。

目前的人臉口罩佩戴檢測算法效果較好，但是在一些自然場景中會(huì)出現(xiàn)誤判的情況，比如用紙巾遮擋住部分人臉的情況下，算法會(huì)誤判該人臉已佩戴口罩。本文研究一種基于多尺度特征融合的人臉檢測算法，能夠?qū)Υ骺谡秩四樳M(jìn)行精準(zhǔn)定位。該算法使用MobileNet輕量級(jí)的網(wǎng)絡(luò)框架，引入了特征金字塔融合模塊和SSH（Single Stage Headless）模塊，并使用人臉分類和人臉檢測回歸框兩種損失函數(shù)。

1 算法總體框架

多尺度特征融合的人臉檢測算法總體框架如圖1所示。

對(duì)于圖片特征提取的主干網(wǎng)絡(luò)，本文選取的是MobileNet輕量級(jí)的網(wǎng)絡(luò)框架，因?yàn)樵摼W(wǎng)絡(luò)架構(gòu)能在保證高精度提取主要特征的前提下，只需要較少的參數(shù)量，并且可以移植到不具備GPU的移動(dòng)端設(shè)備上進(jìn)行實(shí)時(shí)操作，其網(wǎng)絡(luò)框架參數(shù)見表1所列。

本文中的MobileNet框架一共有5個(gè)Block塊，其中Block中的Convdw表示深度可分離卷積，它由兩部分卷積層組成：第一部分是對(duì)通道數(shù)進(jìn)行分層的深度卷積層（Depthwise Convolution）；第二部分是卷積核尺寸為1×1的點(diǎn)卷積層（Pointwise Convolution）。

2 特征金字塔融合模塊

在深度卷積網(wǎng)絡(luò)中，深層網(wǎng)絡(luò)的感受野比較大，相對(duì)淺層網(wǎng)絡(luò)而言，其語義信息表達(dá)能力要強(qiáng)得多，但其特征圖的分辨率較低，幾何信息表達(dá)能力弱；低層網(wǎng)絡(luò)的感受野相對(duì)高層網(wǎng)絡(luò)而言比較小，語義信息表達(dá)方面能力相對(duì)較弱，但其分辨率高，幾何信息表達(dá)能力相對(duì)較強(qiáng)。因此，將這些特征層融合在一起后對(duì)目標(biāo)檢測精度的提升具有較好的效果。本文將MobileNet中Block3、Block4和Block5的最后一層作為三個(gè)有效特征層，將它們進(jìn)行融合，融合過程如圖2所示。

圖2中所展示的上采樣方法（Upsample），使用的是最近鄰插值法（Nearest Neighbor Interpolation）。最近鄰插值法能夠在特征圖上采樣過程中保留較多的語義信息，完成上采樣步驟之后，再與含有較多空間信息的特征圖融合，從而得到既擁有良好的空間信息，又具備較豐富的語義信息的特征圖。最近鄰插值法結(jié)構(gòu)如圖3所示，在代碼復(fù)現(xiàn)的過程中，本文使用Python中OpenCV庫內(nèi)置的resize函數(shù)實(shí)現(xiàn)該項(xiàng)技術(shù)。

3 SSH模塊

為了能更好地增強(qiáng)模型捕捉小臉的情景推理能力，本文引入SSH模塊，以擴(kuò)大感受野并增強(qiáng)上下文建模能力。SSH結(jié)構(gòu)如圖4所示。

經(jīng)過特征金字塔融合模塊的FeatureX后，通過SSH模塊得到OutputX層，X表示1、2、3這三層特征圖。SSH由一個(gè)3×3的卷積和上下文網(wǎng)絡(luò)模塊（Context Module）的輸出進(jìn)行合并組合而成，其中上下文網(wǎng)絡(luò)模塊的作用是增大感受野，使用5×5和7×7的卷積進(jìn)行操作。本文根據(jù)Inception[13]的思想，使用2個(gè)3×3的卷積核代替一個(gè)5×5的卷積核，使用3個(gè)3×3的卷積核代替一個(gè)7×7的卷積核，這樣在不降低精度的情況下，能夠大幅度減少參數(shù)量。

對(duì)于通過SSH模塊提煉出來的特征層，均以滑動(dòng)窗口模式進(jìn)行遍歷，在每一個(gè)像素點(diǎn)對(duì)應(yīng)的原圖位置上生成anchor，而每一個(gè)anchor則對(duì)應(yīng)著人臉分類和人臉檢測回歸框坐標(biāo)兩個(gè)任務(wù)。因此，本文設(shè)計(jì)的損失函數(shù)也包含兩個(gè)部分，公式如式（1）所示：

L=L1+L2=Lcls（pi， pi*）+λ1pi*Lreg（ti， ti*）" " " " " " " " " "（1）

式中：L1表示人臉分類的損失；pi表示第i個(gè)anchor預(yù)測為真實(shí)標(biāo)簽的概率，如果pi*為positive anchor，其值為1；若為negative anchor，其值為0。L2表示人臉檢測回歸框的損失，其中ti={tx， ty， tw， th}、ti*={tx*， ty*， tw*， th*}分別代表著positive anchor相關(guān)的預(yù)測框坐標(biāo)和真實(shí)框坐標(biāo)；λ1表示超參數(shù)，可設(shè)置為0.25。

（1）人臉分類損失函數(shù)：

（2）人臉檢測回歸框損失函數(shù)：

L2=λ1pi*Lreg（ti， ti*）" " " " " " " " " " " " " " " " " "（3）

其中Lreg的表達(dá)式如式（4）所示：

smoothL1函數(shù)的表達(dá)式如式（5）所示：

式中：x表示預(yù)測值與真實(shí)值的差值。

4 實(shí)驗(yàn)與分析

4.1 實(shí)驗(yàn)環(huán)境

本文實(shí)驗(yàn)的硬件環(huán)境如下：計(jì)算加速硬件GPU為NVIDIA TITAN V，顯存12 GB，處理器為Intel? Xeon? CPU E5-2665，內(nèi)存容量為16 GB，硬盤容量為1 TB。設(shè)計(jì)的系統(tǒng)運(yùn)行環(huán)境：操作系統(tǒng)為Windows 10，編程語言為Python 3.8，編譯器為PyCharm 2020，數(shù)據(jù)庫為MySQL，深度學(xué)習(xí)框架為MXNet，圖像預(yù)處理工具為OpenCV。

4.2 數(shù)據(jù)集

關(guān)于人臉檢測的數(shù)據(jù)集，本文采用的是香港大學(xué)發(fā)起的WIDER FACE[14]和中國科學(xué)院與北京航空航天大學(xué)收集的MAFA[15]。與其他的數(shù)據(jù)集相比較，WIDER FACE數(shù)據(jù)集的識(shí)別難度更大，因?yàn)樵摂?shù)據(jù)集共包含了32 203張圖像和

393 703個(gè)標(biāo)注人臉，該數(shù)據(jù)集更加貼近現(xiàn)實(shí)的場景。WIDER FACE部分場景如圖5所示。

WIDER FACE數(shù)據(jù)集的場景非常復(fù)雜，它匯聚了各種不同場景的人臉圖片，包括尺寸不一的人臉、不同程度光照影響的人臉、各種各樣姿態(tài)的人臉、由不同物體遮擋住的人臉以及化妝風(fēng)格多樣化的人臉。該數(shù)據(jù)集因其多樣性，在人臉檢測領(lǐng)域具備極高的挑戰(zhàn)性。

MAFA數(shù)據(jù)集主要是對(duì)人臉遮擋的圖片進(jìn)行收集，處理掉分辨率較小的和沒有任何遮擋的人臉圖像，最后剩余的數(shù)據(jù)僅有30 811張。MAFA數(shù)據(jù)集的示意圖如圖6所示。

4.3 評(píng)價(jià)指標(biāo)

本文采用的人臉檢測的評(píng)價(jià)指標(biāo)是檢測正確率（Accuracy， ACC）和圖像處理速度，即每秒傳輸幀數(shù)（Frames per Second， FPS），后者是最常用的人臉檢測任務(wù)的評(píng)估指標(biāo)之一。其中ACC的計(jì)算公式如下：

式中：TP（True Positive）表示真正類，表示模型將正樣本預(yù)測為True；TN（True Negative）表示真負(fù)類，表示模型將負(fù)樣本預(yù)測為False；FP（False Positive）表示假正類，表示將負(fù)樣本預(yù)測為True；FN（False Negative）表示假負(fù)類，表示將正樣本預(yù)測為False。

4.4 實(shí)驗(yàn)與分析

在訓(xùn)練階段，將WIDER FACE數(shù)據(jù)集和MAFA數(shù)據(jù)集混合并通過篩選最后得到21 000張圖片，設(shè)置Batch_size為12張圖片組成的一個(gè)批量，并采用隨機(jī)梯度下降（Stochastic Gradient Descent， SGD）優(yōu)化器訓(xùn)練。初始學(xué)習(xí)率設(shè)置為0.01，每一次訓(xùn)練迭代10個(gè)Epoch之后，將學(xué)習(xí)率調(diào)整為之前的0.1倍，待到收斂之后停止訓(xùn)練，并將訓(xùn)練好的模型進(jìn)行保存。接下來對(duì)模型的性能效果進(jìn)行測試與分析。

圖7展示了本文的人臉檢測算法在部分MAFA數(shù)據(jù)集上的檢測結(jié)果。通過檢測結(jié)果可以看到，本文的基于多特征融合的人臉檢測算法能夠檢測到各種形態(tài)的人臉，包括遮擋的人臉、距離較遠(yuǎn)的人臉以及形變嚴(yán)重的人臉等。

實(shí)驗(yàn)將本文算法與MTCNN[16]、RetinaFace[8]、PyramidBox[17]和ASFD[18]等主流的檢測算法進(jìn)行對(duì)比測試，結(jié)果見表2所列。

由表2的實(shí)驗(yàn)結(jié)果可以看出：本文設(shè)計(jì)的人臉檢測算法擁有較高的準(zhǔn)確率，相對(duì)于MTCNN、RetinaFace、PyramidBox、ASFD人臉檢測算法，分別提升了2.02%、0.44%、0.51%、0.19%；在速度處理方面，本文算法以每秒18.9幀的速度對(duì)圖片進(jìn)行處理，相比MTCNN、RetinaFace、PyramidBox、ASFD分別高出0.4幀/s、1.1幀/s、0.8幀/s、0.2幀/s，滿足了實(shí)時(shí)性檢測的需求。具體的檢測效果如圖8所示。

根據(jù)圖8的各個(gè)算法比較結(jié)果可知，對(duì)于較為清晰的人臉，各算法的檢測效果都比較精準(zhǔn)。而在一些較為復(fù)雜的環(huán)境中，例如在廣場上或者商店中，人員流動(dòng)較為密集，所獲取的人臉圖片會(huì)出現(xiàn)嚴(yán)重遮擋現(xiàn)象。在這些圖片的檢測過程中，MTCNN對(duì)于大部分的人臉都能夠精準(zhǔn)地定位，但是對(duì)于一小部分人臉（如模糊人臉、口罩遮擋嚴(yán)重人臉）會(huì)出現(xiàn)漏檢情況，并且有一定概率會(huì)出現(xiàn)誤檢情況。RetinaFace算法誤檢率較少，但是戴口罩的人臉如果發(fā)生形變，比如戴口罩時(shí)候側(cè)著臉，或者戴口罩情況下抬頭導(dǎo)致人臉信息變少的時(shí)候，會(huì)出現(xiàn)漏檢的情況。相對(duì)于前面的兩種人臉檢測算法，本文算法在小目標(biāo)和遮擋目標(biāo)上都有更好的檢測效果，在一些遮擋嚴(yán)重的情況下依然對(duì)人臉具有較好的定位效果，最后的整體結(jié)果明顯要優(yōu)于前面兩種算法。

5 結(jié) 語

針對(duì)戴口罩的人臉檢測存在的問題，本文提出一種基于多尺度特征融合的人臉檢測算法。實(shí)驗(yàn)中使用WIDER FACE和MAFA數(shù)據(jù)集對(duì)算法進(jìn)行訓(xùn)練，并與當(dāng)前主流的人臉檢測算法MTCNN和RetinaFace進(jìn)行比較，結(jié)果表明本文提出的算法具有更好的性能。

注：本文通訊作者為龔汝洪。

參考文獻(xiàn)

[1]張修寶，林子原，田萬鑫，等.全天候自然場景下的人臉佩戴口罩識(shí)別技術(shù)[J].中國科學(xué)：信息科學(xué)，2020，50（7）：1110-1120.

[2] TIAN W，WANG Z，SHEN H，et al. Learning better features for face detection with feature fusion and segmentation supervision[EB/OL]. （2018-11-20）[2023-07-15]. https：//arxiv.org/abs/1811.08557.

[3] HE K，ZHANG X，REN S，et al. Deep residual learning for image recognition [C]// Proceedings of 2016 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. Las Vegas，NV，USA：IEEE，2016：770-778.

[4]王兵，樂紅霞，李文璟，等.改進(jìn)YOLO輕量化網(wǎng)絡(luò)的口罩檢測算法[J].計(jì)算機(jī)工程與應(yīng)用，2021，57（8）：62-69.

[5] BOCHKOVSKIY A，WANG C Y，LIAO H Y M. Yolov4：optimal speed and accuracy of object detection [EB/OL].（2020-04-23）[2023-07-15]. https：//arxiv.org/abs/2004.10934.

[6] ZHENG Z，WANG P，REN D，et al. Enhancing geometric factors in model learning and inference for object detection and instance segmentation [J]. IEEE transactions on cybernetics，2022，52（8）：8574-8586.

[7]牛作東，覃濤，李捍東，等.改進(jìn)RetinaFace的自然場景口罩佩戴檢測算法[J].計(jì)算機(jī)工程與應(yīng)用，2020，56（12）：1-7.

[8] DENG J，GUO J，ZHOU Y，et al. Retinaface：single-stage dense face localisation in the wild [EB/OL].（2019-05-02）[2023-07-15]. https：//arxiv.org/abs/1905.00641.

[9]王藝皓，丁洪偉，李波，等.復(fù)雜場景下基于改進(jìn)YOLOv3的口罩佩戴檢測算法[J].計(jì)算機(jī)工程，2020，46（11）：12-22.

[10] REDMON J，F(xiàn)ARHADI A. Yolov3：an incremental improvement [EB/OL].（2018-04-08）[2023-07-15]. https：//arxiv.org/abs/1804.02767.

[11] WANG C Y，MARK LIAO H Y，WU Y H，et al. CSPNet：a new backbone that can enhance learning capability of CNN [C]//Proceedings of 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops（CVPRW）. Seattle，WA，USA：IEEE，2020：390-391.

[12] HE K，ZHANG X，REN S，et al. Spatial pyramid pooling in deep convolutional networks for visual recognition [J]. IEEE transactions on pattern analysis and machine intelligence，2015，37（9）：1904-1916.

[13] SZEGEDY C，LIU W，JIA Y，et al. Going deeper with convolutions [C]// Proceedings of 2015 IEEE Conference on Computer Vision and Pattern Recognition（CVPR）. Boston，MA，USA：IEEE ，2015：1-9.

[14] YANG S，LUO P，LOY C C，et al. Wider face：a face detection benchmark [C]// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Las Vegas，NV，USA：IEEE，2016：5525-5533.

[15] GE S，LI J，YE Q，et al. Detecting masked faces in the wild with LLE-CNNs [C]// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Honolulu，HI，USA：IEEE，2017：2682-2690.

[16] ZHANG K，ZHANG Z，LI Z，et al. Joint face detection and alignment using multitask cascaded convolutional networks [J]. IEEE signal processing letters，2016，23（10）：1499-1503.

[17] TANG X，DU D K，HE Z，et al. Pyramidbox：a context-assisted single shot face detector [EB/OL].（2018-03-21）[2023-07-15]. https：//arxiv.org/abs/1803.07737v1.

[18] ZHANG B，LI J，WANG Y，et al. ASFD：automatic and scalable face detector [EB/OL].（2020-03-25）[2023-07-15]. https：//arxiv.org/abs/2003.11228v2.