没有合适的资源?快使用搜索试试~ 我知道了~
基于caffe实现改进的mtcnn完成车牌识别.docx
需积分: 50 24 下载量 199 浏览量
2019-05-10
13:58:17
上传
评论 1
收藏 345KB DOCX 举报
温馨提示
试读
11页
博主https://blog.csdn.net/zhubenfulovepoem/article/details/81234977,文中涉及到“基于颜色定位和形态学定位改进后的mtcnn车牌定位算法”说明。
资源推荐
资源详情
资源评论
目录
一、训练................................................................................................................................ 5
(1)样本问题:........................................................................................................... 6
二、训练步骤........................................................................................................................ 8
三、使用阶段........................................................................................................................ 8
视频车牌定位—mtcnn.................................................................................................................. 9
颜色定位和形态学定位改进后的 mtcnn 车牌定位算法............................................................10
MTCNN 解读
解读论文为《Joint Face Detecon and Alignment using Mul-task Cascaded Convoluonal
Networks》基于多任务级联卷积神经网络的人脸检测和对齐
论文地址:h$ps://kpzhang93.github.io/MTCNN_face_detecon_alignment/
本文作者:非文艺小燕儿,博客地址:h$p://blog.csdn.net/fuwenyan/arcle/details/73201680
这篇文章在人脸检测和特征点定位任务上,精度较之前 state-of-art 的算法有明显的提
升,而且具有实时处理的性能。
文中有 2 个点:
(1)通过三阶的级联卷积神经网络对任务进行从粗到细的处理;
(2)还提出一种新的在线困难样本生成策略可以进一步提升性能。
最主要的点,应该算是三阶的级联卷积神经网络。
每个阶段的网络都是一个多任务网络。处理任务有三个:人脸/非人脸判定、人脸框回归和
特征点定位。
人脸/非人脸判定采用 cross-entropy 损失函数:
人脸框回归采用欧式距离损失函数:
特征点定位也采用欧式距离损失函数:
其中 a 表示三个任务在当前阶段的网络中损失所占比重。B 是采样类型指示,取值为{0,1},
当人脸/非人脸判定为非人脸时,box 和 landmark 的 B 取值 0,而 det 取值 1;判定为人脸时,
全部取值为 1.
接下来详细讲述各阶段:
数据与处理:为应对目标多尺度问题,将原始图像 resize 到不同尺寸,构建图像金
字塔,作为三阶级联架构的输入。
第一阶段,通过一个浅层的 CNN 快速生成候选窗口。
该阶段是一个全部由卷积层组成的 CNN,取名 P-Net,获取候选人脸窗口以及人脸框回归向
量。基于人脸框回归向量对候选窗口进行校正。之后采用 NMS 合并高重叠率的候选窗口。
该阶段在三个任务 det、box、landmark 任务上,a 的对应取值为{1.0,0.5,0.5}.
第二阶段,通过一个更复杂的 CNN 否决大量非人脸窗口从而精化人脸窗口。
第一阶段输出的候选窗口作为 R-Net 的输入,R-Net 能够进一步筛除大量错误的候选窗口,
再利用人脸框回归向量对候选窗口做校正,并执行 NMS。
该阶段在三个任务 det、box、landmark 任务上,a 的对应取值为{1.0,0.5,1.0}.
第三阶段,使用更复杂的 CNN 进一步精化结果并输出 5 个人脸特征点。
与 stage2 相似,但这一阶段用更多的监督来识别人脸区域,而且网络能够输出五个人脸特
征点位置坐标。
该阶段在三个任务 det、box、landmark 任务上,a 的对应取值为{1.0,0.5,1.0}.
以上四个步骤的直观图示如下:
剩余10页未读,继续阅读
资源评论
烂笔头_WP
- 粉丝: 0
- 资源: 2
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功