论文部分内容阅读
人脸检测一直是计算机视觉的一个重要的研究领域。在过去几年中,面部特征广泛用于访问控制、监视系统和其他安全应用。人脸检测和识别是安全部门最受欢迎的研究项目之一。而面部遮挡、光照、极端人脸偏转角度、低分辨率、缩放差异等问题使人脸检测面临着诸多的困难,并且在现实应用中这些问题也是普遍存在的。许多早期的人脸检测器已经可以很好检测正面的人脸图像,然而对比较有挑战性的人脸检测数据集来说这些人脸检测器的性能并不能满足要求。本文在深度学习理论框架下就人脸检测问题做了深入探讨。通过对现有深度卷积网络模型的分析和改进,提出了快速级联卷积神经网络模型,并在WIDER FAC数据集上进行验证分析。主要内容如下:1.通过研究并测试候选框算法和Faster R-CNN、联合人脸检测与定位的级联卷积神经网络的优缺点,选取对人脸检测有益的候选框算法与感兴趣区域检测网络模型,设计快速级联卷积神经网络模型。2.采用级联卷积神经网络卷积共享的训练和测试策略,使得卷积神经网络模型的训练和测试变得更加简单,从而大大减小了级联卷积神经网络的规模。由于卷积层的共享,使得级联卷积神经网络可以达到端到端的优化,从而提高级联卷积神经网络的性能。3.由于候选框网络和RoI检测网络共享卷积层,在候选框网络和RoI检测网络中使用多层卷积层信息以处理较小的人脸区域。这就弥补了Faster R-CNN在较低分辨率和较小人脸检测中的不足。同时,采用Leaky Re LU作为激活函数来提高网络的检测性能。4.从人类视觉系统中的直觉启发,快速级联卷积神经网络允许通过身体信息和人脸关键点信息推理出人脸位置。本文通过人脸候选框在卷积特征图中的位置推断出身体特征的相对位置,采用Ro I池化和L2归一化将身体信息与面部信息进行融合,并在联合损失中加入人脸关键点信息,从而使网络具有使用身体和人脸关键点进行人脸检测的能力。通过对现有算法的改进,本文提出的快速级联卷积神经网络人脸检测算法在具有挑战性的WIDER FACE数据集上达到了很好的检测效果。