基于多任务浅层C N N的无效人脸图片过滤

西南交通大学 陈富强

1 引言

通过研究发现，经过浅层CNN完成模糊人脸图片过滤后，可以使用浅层CNN进行偏转角度过大人脸图片过滤，而且可以使用与判断图像是否模糊完全相同的浅层CNN网络。本文提出一种多任务浅层CNN用于同时进行模糊人脸图片过滤和偏转角度过大人脸图片过滤。

2 多任务浅层CNN的结构

如图1所示，多任务浅层CNN的第一层为卷积层，其作用是滤波，提高抗干扰能力，后面两层的作用是特征提取；再增加一个全连接层用于分类。

图1 多任务浅层CNN的结构

3 准备数据集

多任务浅层CNN的数据集的标签由两部分组成，一部分用于标记图片是清晰还是模糊；另一部分用于标记图片是正面人脸还是侧面人脸。因为只有当图片清晰时才会去判断其偏转角度，所以当图片是模糊图片时，其偏转角度的标签都是0；只有图片是清晰时才有正面和侧面的区别。

本文的数据集是从《爱情公寓第二季》视频中抓取的。数据集由三个文件夹组成，第一个文件夹放置清晰的正面人脸，第二个文件夹放置清晰的侧面人脸，第三个文件夹放置模糊的人脸。清晰的正面人脸图片对应的标签为，清晰地侧面人脸对应的标签为，模糊的人脸图片对应的标签为。

目前，训练集有清晰的正面人脸8722张，清晰的偏转角度过大的人脸8044张，模糊的人脸图片8166张。

4 训练模型

与其他神经网络不同，多任务浅层CNN的训练过程需要对损失函数进行分类处理，当图片是清晰的图片时，损失函数由两部分组成；一部分由判断图片清晰和模糊的损失函数组成，另一部分由判断图片正面和侧面的损失函数组成。当图片是模糊的图片时，损失函数只有判断图片时清晰和模糊的损失函数组成。用公式表示如下：

公式中的Loss1是判断模糊和清晰的损失函数，Loss2是判断人脸图片偏转角度的损失函数。系数在图片为模糊的人脸图片时取值0，在图片为清晰的人脸图片时取值1。

从公式中可以看出，Loss1所占的权重比较大，Loss2所占的权重比较小；所以为了获得最小的Loss值，CNN神经网络会在优先保证Loss1足够小的情况下，使Loss2获得足够小的值。这样就保证了判断图片清晰和模糊有更高的优先级。收敛曲线如图2所示。

图2 训练过程中的收敛曲线(loss-batches)

通过调整超参数，对比其在验证集上的效果，最终该网络的两个卷积层的层数分别为16和32，第一个不带池化层的卷积层为4层时，可以获得最好的效果。全连接层神经元数目依次为64,32,4。验证集的制作过程和测试集的制作过程是相同的。

5 测试

人工标注了3000多张人脸图片作为测试集，其中模糊的人脸必定至少有某一部分是模糊的；而清晰的人脸图片通常质量特别好。偏转角度过大的人脸至少都能保证半侧的人脸被遮住，而正面的人脸至少都能保证有两只眼睛。

最终本文设计的多任务浅层CNN，在模糊人脸过滤方面获得了97.5%的正确率，在偏转角度过大人脸过滤方面，获得了97.8%的正确率。在清晰和模糊判断正确的前提下，正面人脸和侧面人脸也判断正确的正确率为96.7%。的正确率。本文中只进行了模糊的人脸图片过滤和偏转角度过大人脸图片过滤，多任务浅层CNN还可以用于有遮挡的人脸图片过滤。

[1]陈云.深度学习框架Pytorch入门与实践[M].北京:电子工业出版社,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.