基于多任務淺層C N N的無效人臉圖片過濾

西南交通大學 陳富強

1 引言

通過研究發現，經過淺層CNN完成模糊人臉圖片過濾后，可以使用淺層CNN進行偏轉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網絡。本文提出一種多任務淺層CNN用于同時進行模糊人臉圖片過濾和偏轉角度過大人臉圖片過濾。

2 多任務淺層CNN的結構

如圖1所示，多任務淺層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取；再增加一個全連接層用于分類。

圖1 多任務淺層CNN的結構

3 準備數據集

多任務淺層CNN的數據集的標簽由兩部分組成，一部分用于標記圖片是清晰還是模糊；另一部分用于標記圖片是正面人臉還是側面人臉。因為只有當圖片清晰時才會去判斷其偏轉角度，所以當圖片是模糊圖片時，其偏轉角度的標簽都是0；只有圖片是清晰時才有正面和側面的區別。

本文的數據集是從《愛情公寓第二季》視頻中抓取的。數據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的標簽為，清晰地側面人臉對應的標簽為，模糊的人臉圖片對應的標簽為。

目前，訓練集有清晰的正面人臉8722張，清晰的偏轉角度過大的人臉8044張，模糊的人臉圖片8166張。

4 訓練模型

與其他神經網絡不同，多任務淺層CNN的訓練過程需要對損失函數進行分類處理，當圖片是清晰的圖片時，損失函數由兩部分組成；一部分由判斷圖片清晰和模糊的損失函數組成，另一部分由判斷圖片正面和側面的損失函數組成。當圖片是模糊的圖片時，損失函數只有判斷圖片時清晰和模糊的損失函數組成。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，Loss2是判斷人臉圖片偏轉角度的損失函數。系數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所占的權重比較大，Loss2所占的權重比較小；所以為了獲得最小的Loss值，CNN神經網絡會在優先保證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先級。收斂曲線如圖2所示。

圖2 訓練過程中的收斂曲線(loss-batches)

通過調整超參數，對比其在驗證集上的效果，最終該網絡的兩個卷積層的層數分別為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。全連接層神經元數目依次為64,32,4。驗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量特別好。偏轉角度過大的人臉至少都能保證半側的人臉被遮住，而正面的人臉至少都能保證有兩只眼睛。

最終本文設計的多任務淺層CNN，在模糊人臉過濾方面獲得了97.5%的正確率，在偏轉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，正面人臉和側面人臉也判斷正確的正確率為96.7%。的正確率。本文中只進行了模糊的人臉圖片過濾和偏轉角度過大人臉圖片過濾，多任務淺層CNN還可以用于有遮擋的人臉圖片過濾。

[1]陳云.深度學習框架Pytorch入門與實踐[M].北京:電子工業出版社,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.