人脸检测是机器视觉中一个基础性但却十分重要的研究课题,几十年来被广泛研究。人脸检测是人脸识别和面部表情识别等许多后续应用的重要步骤之一,具有重要的研究意义。在复杂环境下,人脸检测会因为很多外部因素影响检测的准确性,如人脸姿态变化、光照改变和遮挡等。将人脸检测应用于实际,需要解决人脸拍摄角度、光照变化以及低分辨率图像的问题。本文提出了一种级联深度卷积神经网络,级联结构的设计能使人脸框图定位更准确,深度卷积神经网络能提取更多有效特征,使人脸检测结果更准确。本文主要内容分为,复杂场景下人脸检测算法研究、基于树莓派平台的人脸检测移植与舵机平台的人脸跟踪三个部分。(1)复杂场景下人脸检测算法研究。在训练自己的网络模型之前,需要对数据进行处理,文中提出的级联深度卷积神经网络模型由3组不同卷积神经网络组成,根据每个网络输入数据大小将图像分别处理成12*12、24*24以及48*48,每组输入数据包含正样本和负样本。级联深度卷积神经网络模型训练主要分为三步。首先,使用深度卷积神经网络提取更多有效特征与大量候选窗口,并采用交叉熵对人脸或非人脸区域进行判别,同时拒绝部分非人脸区域的候选窗口;随后,将第一步中未删除的候选窗口输入到下一层网络中,对候选窗口进一步筛选,将剩余的候选窗口输入到下一层网络;最后,输出最终的人脸候选窗口,并对候选窗口中的人脸进行关键点定位。这种级联结构,不仅可以有效定位人脸区域的候选窗口,还可以提高人脸检测的准确性。实验结果表明,该方法在人脸检测上取得较好的结果,可广泛应用于人脸识别以及人脸关键点定位等相关领域。(2)基于树莓派平台的人脸检测。树莓派是一款小型的移动开发平台,具有良好的性能和丰富软硬件支持,是当前流行的开发平台。本文在树莓派平台上移植了两种人脸检测方法。一种是本文中提出的级联深度卷积网络的人脸检测方法;另一种是基于OpenCV的人脸检测方法。然后,针对OpenCV的人脸检测算法做出具体阐述。最后,在树莓派平台上,对以上两种人脸检测效果进行对比。对比实验表明,级联深度卷积神经网络方法在复杂环境下人脸检测效果较好。(3)舵机平台的人脸跟踪。本文提出的人脸跟踪方法,通过驱动舵机平台跟随人脸转动,使人脸能一直位于视频的中间位置。舵机平台在实现人脸跟踪时,根据人脸在视频中出现的位置,计算出舵机平台需要转动的角度;然后,根据需要转动角度计算脉宽调制(Pulse Width Modulation,PWM)信号的占空比,实现人脸跟踪。这种基于硬件平台的人脸跟踪方法,可以很好处理视频会议中,因人随意走动导致摄像头无法捕捉人脸的问题。所以,该方法可以应用于视频会议、安防监控等商业领域。