西南交通大學(xué) 陳富強(qiáng)

1 引言

通過研究發(fā)現(xiàn)，經(jīng)過淺層CNN完成模糊人臉圖片過濾后，可以使用淺層CNN進(jìn)行偏轉(zhuǎn)角度過大人臉圖片過濾，而且可以使用與判斷圖像是否模糊完全相同的淺層CNN網(wǎng)絡(luò)。本文提出一種多任務(wù)淺層CNN用于同時進(jìn)行模糊人臉圖片過濾和偏轉(zhuǎn)角度過大人臉圖片過濾。

2 多任務(wù)淺層CNN的結(jié)構(gòu)

如圖1所示，多任務(wù)淺層CNN的第一層為卷積層，其作用是濾波，提高抗干擾能力，后面兩層的作用是特征提??；再增加一個全連接層用于分類。

圖1 多任務(wù)淺層CNN的結(jié)構(gòu)

3 準(zhǔn)備數(shù)據(jù)集

多任務(wù)淺層CNN的數(shù)據(jù)集的標(biāo)簽由兩部分組成，一部分用于標(biāo)記圖片是清晰還是模糊；另一部分用于標(biāo)記圖片是正面人臉還是側(cè)面人臉。因?yàn)橹挥挟?dāng)圖片清晰時才會去判斷其偏轉(zhuǎn)角度，所以當(dāng)圖片是模糊圖片時，其偏轉(zhuǎn)角度的標(biāo)簽都是0；只有圖片是清晰時才有正面和側(cè)面的區(qū)別。

本文的數(shù)據(jù)集是從《愛情公寓第二季》視頻中抓取的。數(shù)據(jù)集由三個文件夾組成，第一個文件夾放置清晰的正面人臉，第二個文件夾放置清晰的側(cè)面人臉，第三個文件夾放置模糊的人臉。清晰的正面人臉圖片對應(yīng)的標(biāo)簽為，清晰地側(cè)面人臉對應(yīng)的標(biāo)簽為，模糊的人臉圖片對應(yīng)的標(biāo)簽為。

目前，訓(xùn)練集有清晰的正面人臉8722張，清晰的偏轉(zhuǎn)角度過大的人臉8044張，模糊的人臉圖片8166張。

4 訓(xùn)練模型

與其他神經(jīng)網(wǎng)絡(luò)不同，多任務(wù)淺層CNN的訓(xùn)練過程需要對損失函數(shù)進(jìn)行分類處理，當(dāng)圖片是清晰的圖片時，損失函數(shù)由兩部分組成；一部分由判斷圖片清晰和模糊的損失函數(shù)組成，另一部分由判斷圖片正面和側(cè)面的損失函數(shù)組成。當(dāng)圖片是模糊的圖片時，損失函數(shù)只有判斷圖片時清晰和模糊的損失函數(shù)組成。用公式表示如下：

公式中的Loss1是判斷模糊和清晰的損失函數(shù)，Loss2是判斷人臉圖片偏轉(zhuǎn)角度的損失函數(shù)。系數(shù)在圖片為模糊的人臉圖片時取值0，在圖片為清晰的人臉圖片時取值1。

從公式中可以看出，Loss1所占的權(quán)重比較大，Loss2所占的權(quán)重比較??；所以為了獲得最小的Loss值，CNN神經(jīng)網(wǎng)絡(luò)會在優(yōu)先保證Loss1足夠小的情況下，使Loss2獲得足夠小的值。這樣就保證了判斷圖片清晰和模糊有更高的優(yōu)先級。收斂曲線如圖2所示。

圖2 訓(xùn)練過程中的收斂曲線(loss-batches)

通過調(diào)整超參數(shù)，對比其在驗(yàn)證集上的效果，最終該網(wǎng)絡(luò)的兩個卷積層的層數(shù)分別為16和32，第一個不帶池化層的卷積層為4層時，可以獲得最好的效果。全連接層神經(jīng)元數(shù)目依次為64,32,4。驗(yàn)證集的制作過程和測試集的制作過程是相同的。

5 測試

人工標(biāo)注了3000多張人臉圖片作為測試集，其中模糊的人臉必定至少有某一部分是模糊的；而清晰的人臉圖片通常質(zhì)量特別好。偏轉(zhuǎn)角度過大的人臉至少都能保證半側(cè)的人臉被遮住，而正面的人臉至少都能保證有兩只眼睛。

最終本文設(shè)計(jì)的多任務(wù)淺層CNN，在模糊人臉過濾方面獲得了97.5%的正確率，在偏轉(zhuǎn)角度過大人臉過濾方面，獲得了97.8%的正確率。在清晰和模糊判斷正確的前提下，正面人臉和側(cè)面人臉也判斷正確的正確率為96.7%。的正確率。本文中只進(jìn)行了模糊的人臉圖片過濾和偏轉(zhuǎn)角度過大人臉圖片過濾，多任務(wù)淺層CNN還可以用于有遮擋的人臉圖片過濾。

[1]陳云.深度學(xué)習(xí)框架Pytorch入門與實(shí)踐[M].北京:電子工業(yè)出版社,2018.

[2]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.

[3]Li Y,Wang Z,Dai G,et al.Evaluation of realistic blurring image quality by using a shallow convolutional neural network[C]//Information and Automation(ICIA),2017 IEEE International Conference on.IEEE,2017:853-857.