开源代码CenterFace:解读轻量级anchor_free人脸检测器

 

 

背景

在不受限制的环境中，人脸检测始终部署在边缘设备上，这些设备的内存存储空间有限且计算能力较低。本文提出了一种名为CenterFace的单阶段方法，该方法可以实时，高精度，同时预测面部框和界标位置。所提出的方法也属于自由锚类别。这可以通过以下方式实现：

（a）通过语义图学习人脸存在的可能性

（b）为可能包含人脸的每个位置学习边界框，偏移量和五个界标。具体来说，该方法可以使用NVIDIA 2080TI实时运行在单个CPU内核和200 FPS上的VGA分辨率图像上，并且可以同时达到更高的精度。

 

介绍

该论文是参考的Objects as Points,文章底部会附上Objects as Points的论文地址。

 

核心思想，相比于Anchor的检测算法，去判断每个anchor是否包含需检测的目标，再去计算回归的offset，Centerface和Objects as Points的主要思想是，判断feature map对应在图像中的位置是否是目标的中心点，再去计算目标的宽和高。

 

因为此文主要借鉴Objects as Points，而关于Objects as Points的解读已经有很多了，所以与Objects as Points差异较小的地方，笔者会简略带过。

 

方法

 

• 网络结构

因为CenterFace是轻量级的人脸检测器，所以其backbone用的是mobilenetV2，相比于Objects as Points采用的DLA 以及Hourglass，整体的backbone很小。网络结构可视化如下：

图1 CenterFace的体系结构

• groundtruth的定义

目标中心点定义：在一般的目标检测中，一般记录目标的（x1,y1,x2,y2）

对应目标的左上角和右下角的坐标。目标的中心点：Xc = (x1+x2)/2,Yc = (y1+y2)/2;

在使用anchor的算法中，采用的是计算anchor和groundtruth之间的IOU，若IOU大于阈值，则为正样本，若小于阈值，则为负样本。

在centerface中，是计算中心点的坐标是否在feature map所对应的图像内

R就是对应的步长。中心点所在的feature map为1，对于标注，采用高斯的方式向外撒点。

 

• LOSS的定义

在寻找关键点上，存在两个loss，一个是判断feature map是否包含关键点，采用focal loss，另一个是计算关键点 相对于 feature map映射到原图之后的偏移量，使用的smooth_L1。

在计算目标框上：区别于Objects as Points， 计算的是映射到feature map上的大小，而不是计算原图的大小:

计算目标框的Loss采用smooth_L1。

 

Data augmentation

• 1.random filp

• 2.random scaling

• 3.color jittering

• 4.randomly crop square patch

以上数据增强方法都是常见的数据增强方法，不多做介绍。

测试结果

和其它算法对比：

表1. GTX2080TI的运行效率

表2. CPU上的运行效率

 

FDDB的评估结果

WIDER FACE

 

表4. WIDER FACE验证集上的性能结果

 

 

图3. WIDER FACE上的人脸检测结果。

 

结论

CenterFace具有所提方法的优势，在速度和准确性上均表现出色，并且可以同时预测面部框和界标位置。我们提出的方法通过将人脸检测和对齐转换为标准关键点估计问题，克服了以前基于锚的方法的缺点。CenterFace通过脸部框的中心点表示脸部，然后从中心位置的图像特征直接回归脸部大小和脸部界标。进行了全面而广泛的实验以充分分析所提出的方法。最终结果表明，我们的方法能够以较小的模型尺寸实现实时速度和高精度，从而使其成为大多数人脸检测和对齐应用程序的理想选择。

Objects as Points论文地址：

https://arxiv.org/pdf/1904.07850.pdf

论文地址：

https://arxiv.org/ftp/arxiv/papers/1911/1911.03599.pdf

开源地址：

https://github.com/Star-Clouds/centerface

 

更多论文地址源码地址：关注“图像算法”微信公众号