人脸检测模型

OpenVINO的模型库中有多个人脸检测模型,这些模型分别支持不同场景与不同分辨率的人脸检测,同时检测精度与速度也不同。下面以OpenVINO2020 R04版本为例来逐一解释模型库中的人脸检测,列表如下:

使用opencv不是onnx模型检测图片 opencv dnn 支持的模型_人脸检测

从列表中可以看出骨干特征网络主要是MobileNetv2与SqueezeNet两种支持实时特征网络,ResNet152是高精度的特征网络,检测头分别支持SSD、FCOS、ATSS。

MobileNetv2版本的模型结构

深度可分离卷积

使用opencv不是onnx模型检测图片 opencv dnn 支持的模型_人脸检测_02


使用opencv不是onnx模型检测图片 opencv dnn 支持的模型_人脸检测_03


使用opencv不是onnx模型检测图片 opencv dnn 支持的模型_模型库_04


ResNet网络

残差网络模型在2015年提出,OpenCV从3.3版本开始支持,相关的论文如下:

https://arxiv.org/pdf/1512.03385.pdf

使用opencv不是onnx模型检测图片 opencv dnn 支持的模型_模型库_05


SqueezeNet网络

该模型与MobileNet网络都是支持移动端/端侧可部署的模型,2016提出,相关论文如下:

https://arxiv.org/pdf/1602.07360.pdf

模型结构

使用opencv不是onnx模型检测图片 opencv dnn 支持的模型_人脸检测_06


检测模型

根据不同的检测头,组合生成不同的对象检测模型,这里三种常见的检测模型:

SSD检测

SSD论文中给出的是基于VGG-16作为backbone网络的,替换VGG为MobileNetV2,然后从第12个权重层开始提取特征到第14或者15个权重层,针对anchor预测与类别预测完成回归与分类损失计算,实现对象检测模型训练。

使用opencv不是onnx模型检测图片 opencv dnn 支持的模型_模型库_07


FCOS检测

跟YOLOv1相似是一个anchor-free的网络模型

使用opencv不是onnx模型检测图片 opencv dnn 支持的模型_OpenCV_08


多了一个中心输出来压制低质量的bounding box输出。

ATSS

ATSS的全称是自适应训练样本选择,

使用opencv不是onnx模型检测图片 opencv dnn 支持的模型_人脸检测_09


作者首先对比了RetinaNet与FCOS两种对象检测方法,发现对象检测在回归阶段的本质问题是如何选择正负样本,解决样本不平衡性问题,从而提出了一种新的正负样本选择定义方法-自适应训练样本选择(ATSS)。流程如下:

使用opencv不是onnx模型检测图片 opencv dnn 支持的模型_OpenCV_10


该方法可以获得更好的对象检测精度与mAP,适用RetinaNet与FCOS等对象检测网络。实际实验数据对比:

使用opencv不是onnx模型检测图片 opencv dnn 支持的模型_OpenCV_11


实验对比:

上面的OpenVINO的人脸检测模型列表中,MobileNetv2 + SSD/FCOS适用于速度优先,不同分辨率的场景,ResNet152 + ATSS是OpenVINO模型库中的精度最高的人脸检测预训练模型。下面我们就通过代码分别测试FCOS与ATSS两种检测模型的检测效果比较,针对同一张测试人脸图像,图示如下:

使用opencv不是onnx模型检测图片 opencv dnn 支持的模型_人脸检测_12


统一调整阈值为0.25,推理时间与检测人脸总数的对比图如下:

使用opencv不是onnx模型检测图片 opencv dnn 支持的模型_人脸检测_13


最终分别得到测试图像如下:

使用opencv不是onnx模型检测图片 opencv dnn 支持的模型_模型库_14


使用opencv不是onnx模型检测图片 opencv dnn 支持的模型_人脸检测_15