一種改進的MTCNN人臉檢測算法

吳紀蕓 陳時欽

摘要：人臉檢測主要運用于機場、火車站等人口密集場所。目前常用的人臉檢測算法有MTCNN、YOLOV3、faster-RCNN、SSD等，但已有算法難以兼顧檢測速度和檢測準確性。通過改進多任務級聯卷積神經網絡（MTCNN）人臉檢測算法，將MTCNN、YOLOV3、faster-RCNN等3個模型進行整合，減少內存與顯存之間的數據搬運;然后動態修改Minsize值，減少圖像金字塔中圖片生成數量，并根據圖像相似度對輸入圖片進行不同處理以提高效率。改進后的MTCNN算法比傳統MTCNN算法識別速度提高將近40%，且正確率達到97%，可更好滿足現代社會對于人臉檢測的應用需求。

關鍵詞：多任務級聯卷積神經網絡;最小人臉大小;圖像金字塔;自適應;人臉檢測

DOI：10.11907/rjd k.191728

中圖分類號：TP312 文獻標識碼：A 文章編號：1672-7800（2019）012-0078-04

0引言

人臉檢測技術應用場景豐富，如通勤人臉打卡、機場、火車站等閘機通道;公安機關通過分布在各處的攝像頭，運用人臉檢測技術識別犯罪分子;高速公路通過攝像頭檢測查獲超速的司機等，人臉檢測技術已滲入眾多行業，成為社會生活中不可或缺的一部分。

但在實踐中人臉識別技術還存在一些不足，如人臉檢測速度較慢，乘客無法快速通過閘機;高速抓拍系統有時無法抓拍到違章司機面部。除去硬件原因，人臉檢測算法速度與準確率也有待改進。

目前常見的人臉檢測算法是多任務級聯卷積神經網絡（Multi-task Cascaded Convolutional Network，MTCNN），其檢測準確性極高，且能檢測到正臉、側臉，一般只需具有眼睛、鼻子或嘴巴其中一種特征的照片即可識別，但缺點是檢測速度較慢。

MTCNN主要分4個步驟：首先將獲取到的圖像進行不同尺度的縮放，構建一個圖像金字塔以檢測不同尺寸的人臉圖像;其次，將縮放后的圖片分別傳入PNet層，該網絡結構主要獲得邊界框回歸向量以及人臉區域的候選窗口。通過非極大值抑制（NMS）去除重合度很高的候選框，并通過回歸向量進行校正;然后，從PNet層輸出數據再傳入RNet層，該網絡結構依然通過邊界框回歸和NMS去掉高度重合的區域，但由于該網絡結構與PNet網絡結構有差異，增加了一個全連接層，所以會取得更好的抑制作用;最后，將RNet輸出的結果傳人ONet層，該層相比于RNet層增加了一層卷積層，所以對面部細節的處理更加精細，其作用與RNet層一樣，但因為該層對人臉區域進行了更多的監督，所以最后可輸出具有人臉特征的框圖。

MTCNN算法使用圖像金字塔，可適應不同的人臉圖像，使經過縮放的人臉圖片更接近訓練時使用的圖片大小（20*20），因此檢測準確性很高，但也因此圖像縮放及各層間數據傳遞、內存與顯存間傳遞時耗較大。

本文研究內容是如何在現有MTCNN人臉檢測算法的基礎上，既提高檢測速率又保持原有準確性。基于MTCNN算法的基本框架，研究該算法中最影響速度及準確性的PNet模型，根據畫面相似度，決定是否改變傳人模型最小人臉大?。∕inSize），從而減少金字塔圖像數目;并將MTCNN 3個模型（PNet、RNet、ONet）合并在一起訓練，整合成一個模型，減少數據從內存到顯存的次數，加快人臉檢測速度;且在圖像前處理時，判斷畫面是否改變，如果相似度大于95%，則使用上一輪輸出結果，可大幅提升人臉檢測速度，又不影響人臉檢測準確性。在圖像預處理階段，將縮放后的金字塔圖像整合在一張4K（根據實際情況可以修改）大小的畫面上，同時傳人縮放后圖像的位置信息，與原算法將縮放后的圖片逐一導入模型塊的做法相比，速度大幅提升。

1MTCNN人臉檢測算法改進

1.1MTCNN算法思路改進

（1）動態修改最小人臉大小。MTCNN算法中3個階段時間占比如圖1所示，從圖中可以看出Pnet階段時耗最大，如果圖片超過720p，其圖像金字塔生成過程時耗最大，且后續還要將生成的多張圖片分別傳人后端進行計算。因此本文根據最耗時的PNet階段，動態優化MinSize參數。從圖2可知，MinSize直接影響第一階段的循環次數，本文根據模型后端輸出適合的MinSize值與圖像匹配（大圖用大的MinSize，小圖用小的MinSize），可直接減少預處理階段圖像縮放次數，并且在圖片金字塔生成過程中，僅對上一次縮放結果再進行縮放，而不是對全圖進行縮放，可縮短縮放時間。

（3）將3個模型整合在一起。從表1可以看出。網絡復雜度越高，GPU相對于CPU的計算優勢越明顯。MTCNN算法的3個階段均是復雜度較低的網絡，因此GPU的優勢無法真正發揮。另外，MTCNN算法第一階段生成的圖像金字塔會反復多次調用相對簡單的PNet、Rnet、ONet網絡，導致數據反復在顯存與內存間搬運，時耗甚至超過計算本身。因此將3個模型整合，可減少大量傳輸時間。

（3）相似度大于95%的圖像不再傳人模型。因為大部分從相機傳人的圖像是半靜止畫面，如靜止的人物或頭部等，無需將圖像經過多重處理再傳人模型，因為即使再次傳人，得到的結果也幾乎與原圖輸出結果一致。

（4）將縮放后的圖片拼接在一起傳人模型。在圖像金字塔生成過程中將生成多張經過縮放后的圖片，如果將圖片逐一傳人模型，將增加內存到顯存的傳送次數，拖慢算法速度。

1.2人臉檢測流程

（1）從相機（1080p）獲取圖片，默認設置最小人臉大?。∕inSize）為20。

（2）通過MinSize值，將縮放后的圖像金字塔圖片拼接在一張4K大小的圖片上，將拼接后的圖片及每張縮放圖片在4K圖片上的位置信息傳人模型中。

（3）通過歐式距離相減計算兩張圖片相似度，如果前后兩張圖片的相似度大于80%（因為實際從相機獲取的圖片多為半靜止畫面，畫面變動比較?。瑒t使用上一輪從模型后輸出的MinSize，若相似度小于80%則設置為20。

（4）如果兩張圖片相似度大于95%，直接輸出上一張圖片的結果，不拼接圖片也不將數據輸入模型。

（5）重復以上所有步驟完成人臉檢測。具體流程如圖3所示，檢測結果如圖4所示。

（5）非極大值抑制NMS指通過某種方式抑制并非極大值的元素。使用該方法可快速去掉標定為不準確且重合度很高的預測窗口。

在模型初始階段，會框出很多重合的人臉候選框，使用非極大值抑制可去掉預測分數比較低的窗口，選取分數比較高的窗口，再將對應的預測窗口從模型后端輸入。

具體實現方法如下：假設有6個預測的矩形框，并將其按概率從高到低排序，依次為a>b>c>d>e>f：①從概率最高的矩形框a開始，分別判斷從b到f與a的重疊程度是否大于預先設定的某個閾值;②假如b，c與a的重疊程度（IOU）超過閾值，則舍棄b與c，并標記矩形框a為經過篩選保留后的結果;③從剩下的矩形框d、e、f中，選擇概率最大的d，然后判斷d與e、f的重疊程度，如果重疊度大于設置的閾值，則舍棄并標記d是經過篩選保留下來的第二個矩形框;④重復以上步驟，直到找到需要的所有窗口。

2MTCNN模型重建與訓練

（1）將原有的pnet、rnet、oflet 3個模型拼接在一起，pnet的輸出作為rnet的輸入，rnet的輸出作為onet的輸入;將pnet、rnet的輸出結果進行邊框回歸及非極大值抑制，再將處理后的數據傳人下一層。

（2）從網上人臉庫下載包含不同亮度、不同角度的人臉圖片，并將其轉換成20*20的圖片，同時根據人臉情況，將其分成人臉（00.45）、部分人臉（0.45-0.8）、非人臉（00.45）。

（3）將數據拼接在一張4K的圖像上，并將各張小圖的信息傳人模型中，直到結果收斂為止。

3算法驗證

首先在一個空曠教室的4個角落分別布置好攝像頭，并在教室里布置好桌椅。

要求30位志愿者坐在教室中進行不同的活動，利用相機將教室中的場景錄制下來，拍攝時間為120分鐘，預設場景包括：①全部并排坐著正對著相機，保持1分鐘的靜止狀態;②并排坐著并適當轉動臉，80%的人臉對著相機，保持1分鐘的靜止狀態;③并排坐著，適當轉動臉，50%的人臉對著相機，保持1分鐘的靜止狀態;④并排坐著，適當轉動臉，30%的人臉對著相機，保持1分鐘的靜止狀態;⑤并排坐著，適當轉動臉，10%的人臉對著相機，保持1分鐘的靜止狀態;⑥在①、②的基礎上調整光線亮度為正常亮度的4/5;⑦在①、②的基礎上調整光線亮度為正常亮度的3/5;⑧在①、②的基礎上調整光線亮度為正常亮度的2，5;⑨在①、②的基礎上調整光線亮度為正常亮度的i/5。⑩讓30位志愿者分別在房間里走動，不需要正對著相機，在志愿者走動的過程中，按步驟⑥一⑨調整光線亮度;⑩分別調整①一⑨中志愿者與相機的距離，使人臉大小分別為100*100、80*80、60*60、50*50、40*40、30*30、20*20。

按步驟①-⑩分別截取1分鐘的錄像，截取其中的圖片，并將其拼接成4k的圖片導人模型;需框出步驟①所得圖片中所有人臉，并且輸出的人臉分數在0.8以上;框出步驟②-⑤所得圖片人臉，并且輸出的人臉分數需在0.45.0.8之間（圖像中至少有一個人臉特征）;框出步驟⑥-⑨所得圖片的人臉，但是分數遞減;步驟⑩所得圖片根據情況，如果有一個人臉特征，均應框出。

將步驟⑩中不同人臉大小的圖片拼接傳人模型，測試模型末端輸出的最小人臉大小，如果輸出結果不對，則需要再調整模型參數。

如果測試結果與預期結果不匹配，則根據本文人臉檢測步驟重新訓練，直到結果與預期結果相同為止。

4結語

本文提出改進的MTCNN算法，通過動態設置最小人臉，整合3個模型于一體，并且根據歐式距離計算相似度，不再檢測相似度高的圖片，既極大提高了檢測速度，又保證了檢測正確性。同時本文算法準確性依賴于訓練樣本是否全面，算法需用到大量人臉數據，還需訓練不同光線、角度、長相的人臉，因此人臉庫是否全面，很大程度上影響算法現實檢測準確性。與原MTCNN算法相比，優化后的算法提高了近40%的速度，更能滿足社會需求。