2.4　SSH 人脸检测算法

SSH（Single Stage Headless Face Detector）［18]人脸检测算法最大的特色是尺度不相关性（Scale-Invariant）。上述MTCNN 人脸检测算法在预测的时候，需要对不同尺度的图像分别进行预测，而SSH 仅需要处理一个尺度的图像，其实现方式是使用VGG 网络对不同层级的卷积层输出做3个分支（M1、M2、M3），每个分支都使用类似的流程进行检测和分类，通过对不同尺度特征进行分析，实现多尺度的人脸检测［17]。

SSH 使用的基础网络为VGG16［20]，SSH 的headless 指的是将原始分类网络中的全连接层去掉，只保留基础网络，只使用了卷积层。这样做可以去掉大量参数，同时加速运算。相比MTCNN 算法在检测不同尺度的人脸时所采用的图像金字塔，SSH 中采用的是特征金字塔，对卷积层使用3种类型的检测模块，利用不同的卷积步长来同时检测大、中、小3种人脸［19]。

图2-5所示为SSH 人脸检测算法的网络结构，是基于VGG16神经网络［20]的改进，主要特点是使用不同尺度的卷积特征，有点类似于SSD（Single Shot multi-box Detector）神经网络。SSH 的主要特色是多尺度人脸检测，它在技术上的主要贡献在于网络结构的设计。可以看到，SSH的网络结构为全卷积网络，网络的连接方式为：①在Conv 4_3之后接了检测模块M1，用来检测小型人脸；②在Conv 5_3之后接了检测模块M2，用来检测中型人脸；③对Conv 5_3进行一次最大池化之后，接了检测模块M3，用来检测大型人脸［19]。

图2-5　SSH 人脸检测算法的网络结构［18]

（1）SSH 人脸检测算法网络的第一部分直接使用16层的VGG16神经网络［20]的前4层。如图2-6所示，VGG16共包含5层（段）卷积层和3个全连接层，共计16个隐含层（13个卷积层和3个全连接层）。整个网络都使用了同样大小的卷积核尺寸（3×3）和滑动步幅（1），以及相同的最大池化尺寸（2×2）。

图2-6　VGG16的网络结构［21-22]

VGG16的第1层（第1段卷积）Conv1包括两个连续的卷积操作Conv1_1和Conv1_2，均使用64个3×3的卷积核。VGG16的第1段卷积层之后，紧接一个2×2的最大池化层（Pool_1），将特征压缩一半。接着是VGG16的第2段卷积层Conv2，该层使用128个3×3的卷积核，该层也包含了两个连续的卷积操作Conv2_1和 Conv2_2。VGG16的第2段卷积层之后，又接上一个2×2的最大池化层（Pool_2），将特征压缩一半。下面是第3段卷积层Conv3，该层使用256个3×3的卷积核，该层包含3个连续的卷积操作Conv3_1、Conv3_2和Conv3_3。第3段卷积层后面又接上了一个2×2的池化层（Pool_3）。之后是VGG16的第4段卷积层Conv4，该层使用512个3×3的卷积核，包含3个连续的卷积操作Conv4_1、Conv4_2和Conv4_3。第4段卷积层后紧跟着一个2×2的池化层（Pool_4）。VGG16的第5段卷积层使用512个3×3的卷积核Conv5，包含3个连续的卷积操作Conv5_1、Conv5_2和Conv5_3。第5段卷积层后面紧跟着一个2×2的池化层（Pool_5）。由图2-5和图2-6可知，SSH 网络的第1部分包括了VGG16的前4层，即上述的VGG16网络的前4段卷积层和池化层：Conv1（Conv1_1和 Conv1_2），Pool_1；Conv2（Conv2_1和Conv2_2），Pool_2；Conv3（Conv3_1、Conv3_2和Conv3_3），Pool_3；Conv4（Conv4_1、Conv4_2和Conv4_3），Pool_4。

（2）SSH 网络的第2部分，包括3个分支M1、M2和M3。

如图2-5所示，M1分支仅使用了VGG16的前4层，即仅使用VGG16在Pool_4后的特征（但是也融合了Conv5_3之后的特征，下面将介绍）。而M2和M3两个分支都使用了VGG16网络的第5段卷积层Conv5（含Conv5_1、Conv5_2和Conv5_3）。M2和M3的区别在于，M2在Conv5_3之后没有接池化层，而M3后面接了一个池化层Pool_5。M2和M3得到的特征：M2的VGG16在Pool_5后得到的特征，M3的VGG16在Conv5_3后得到的特征，将分别用于人脸检测。

M1则有所不同，它包含了两部分特征的融合（上面已经提到），第1部分是直接使用VGG16网络在Pool_4后得到的特征，第2部分是M2分支（VGG16在Conv5之后得到的特征，没有接池化层）得到的特征。然后，第1部分通过1×1卷积操作，将Pool_4后得到的特征的通道数从512降到128；第2部分也将特征的通道数从512降到128，然后进行上采样（双线性插值）。之后，将两部分的特征合并/融合，再跟上一个3×3的卷积操作，得到的特征作为M1分支最终所使用的特征。因此，M1的特征融合了两种尺度的卷积特征。

通过上述网络设计，M1适用于检测较小的人脸，M2适用于检测中等大小的人脸，而M3适用于检测较大的人脸。SSH 的目标（输出）是同时进行分类（判定是否为人脸）预测和外接框（bounding box）坐标点的回归，因此损失函数是分类损失和回归损失的和。

以上是SSH 算法的网络结构的介绍。另外，SSH 也使用了难例挖掘的技术，并在每批中预留25%的数量给正样本。在GitHub 上，有开源实现的SSH 人脸检测算法的源代码，有兴趣的读者可以通过文献［23]中的源代码深入了解。