买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉成都理工大学申请的专利基于多域特征动态融合与CIOU优化的复杂场景人脸检测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120526468B 。

龙图腾网通过国家知识产权局官网在2025-10-03发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202511029618.5，技术领域涉及：G06V40/16；该发明授权基于多域特征动态融合与CIOU优化的复杂场景人脸检测方法是由李柯燚;张烺设计研发完成，并于2025-07-25向国家知识产权局提交的专利申请。

本基于多域特征动态融合与CIOU优化的复杂场景人脸检测方法在说明书摘要公布了：本发明公开了一种基于多域特征动态融合与CIOU优化的复杂场景人脸检测方法，属于复杂场景下的人脸检测的技术领域；其包括：获取人脸检测数据集；构建复杂场景人脸检测网络；采用人脸检测训练集训练复杂场景人脸检测网络，得到复杂场景人脸检测模型；将待检测的人脸检测图像输入复杂场景人脸检测模型中，输出目标检测位置和检测结果。本发明显著提升了网络对小目标人脸的检测精度；能够更精确地区分预测框之间的差异，从而优化模型训练过程，获得更精准的检测结果；同时，还引入VarifocalLoss，通过难易样本平衡机制动态调整困难样本的权重，引导模型学习方向，增强其在复杂场景下的检测精度与适应性。

本发明授权基于多域特征动态融合与CIOU优化的复杂场景人脸检测方法在权利要求书中公布了：1.一种基于多域特征动态融合与CIOU优化的复杂场景人脸检测方法，其特征在于，包括以下步骤： S1、获取人脸检测数据集，并对人脸检测数据集进行预处理，得到人脸检测训练集； S2、构建复杂场景人脸检测网络，复杂场景人脸检测网络包括特征提取网络、跨域融合特征金字塔网络和多任务检测头； S3、采用人脸检测训练集训练复杂场景人脸检测网络，得到复杂场景人脸检测模型； S4、将待检测的人脸检测图像输入复杂场景人脸检测模型中，输出目标检测位置和检测结果； 所述S3具体包括以下分步骤： S31、将人脸检测图像输入特征提取网络中进行多级特征提取，输出多尺度特征组； S32、将多尺度特征组输入跨域融合特征金字塔网络中进行特征融合，输出六层级融合特征； S33、将六层级融合特征输入多任务检测头中进行分类检测，输出目标检测位置和检测结果； S34、计算多任务联合损失函数以优化复杂场景人脸检测网络参数； S35、对S33和S34进行多轮迭代训练； S36、对训练后的复杂场景人脸检测网络进行测试，选取测试过程中性能表现最佳的网络模型，进而得到复杂场景人脸检测模型； 所述S31具体包括以下分步骤： S311、将人脸检测图像输入特征提取网络中，通过四个残差阶段分别输出第一基础特征图C2、第二基础特征图C3、第三基础特征图C4和第四基础特征图C5； S312、将第一基础特征图C2、第二基础特征图C3、第三基础特征图C4和第四基础特征图C5分别输入1×1卷积层中，分别输出具有相同通道数的多尺度特征组，i=1、2、3、4； 所述S32具体包括以下分步骤： S321、将多尺度特征组，i=1、2、3、4输入跨域融合特征金字塔网络中，其中，对多尺度特征组，i=1进行卷积操作得到额外特征E1和E2； 将多尺度特征组，i=2、3、4与过渡特征图，i=1、2、3进行逐元素相加生成基础融合特征，其中，过渡特征图为采用双线性插值方法将底层特征与上一层特征进行对齐得到输入特征； S322、将基础融合特征分别输入空域分支中和频域分支中，分别生成空域权重矩阵和频域权重矩阵； S323、将空域权重矩阵和频域权重矩阵相加后经Sigmoid激活生成融合权重矩阵W； S324、基于权重矩阵W对多尺度特征组与过渡特征图进行动态加权融合，得到四个中间融合特征； S325、将四个中间融合特征和额外特征E1和E2输入共享的上下文信息交换模块中进行特征融合，输出六层级融合特征； 所述S322中，将基础融合特征输入空域分支中，生成空域权重矩阵，该过程具体包括： 对基础融合特征执行1×1卷积操作，通道数降维至64，并采用三级并行空洞卷积提取得到多个多尺度空间特征，将多个多尺度空间特征进行信息融合并相加后，通过通道拼接和1×1卷积生成空域权重矩阵； 所述S322中，将基础融合特征输入频域分支中，生成频域权重矩阵，该过程具体包括： 对基础融合特征执行快速傅里叶变换分离实部与虚部分量，通过3×3卷积与ReLU激活处理频域特征后，经逆傅里叶变换重构空域特征生成频域权重矩阵； 所述S33具体包括： 将六层级融合特征分别输入多任务检测头中的分类分支、定位分支和CIOU分支中，输出包含目标检测类别、置信度得分、边界框坐标及质量评分的检测结果； 其中，分类分支，用于预测当前检测框是否为目标； 定位分支，用于预测当前检测框对先验框的偏移量； CIOU分支，用于预测当前检测框的CIOU得分； 在CIOU分支中，预测当前检测框的CIOU得分，具体包括以下分步骤： S331、提取候选框和真实框的几何信息； S332、基于该几何信息，计算候选框与真实框的CIOU得分： 式中，为候选框与真实框的重叠面积占两者并集面积的比例；为候选框中心点与真实框中心点之间的欧氏距离；为真实框对角线长度；为候选框宽高比例与真实框宽高比例的差异度；为权重系数； S333、将CIOU得分与分类分支的输出结果进行加权融合，生成综合得分： 综合得分=λ•分类得分+1‑λ•CIOU得分式中，λ为权重系数，用于平衡分类得分与CIOU得分的贡献； S334、基于综合得分对候选框进行排序，并通过非极大值抑制算法过滤掉假阳性框，保留最优候选框作为最终检测结果。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人成都理工大学，其通讯地址为：610051 四川省成都市成华区二仙桥东三路1号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。