基于增强卷积神经网络的尺度不变人脸检测方法.docx资源-CSDN文库

版权申诉

3 浏览量 2023-02-23 16:47:52 上传评论收藏 345KB DOCX 举报

资源推荐

资源详情

资源评论

0. 引　言

人脸检测作为面部信息处理的基础技术，被广泛的应用到人脸识别

[1]

、人脸跟踪

[2]

、

人脸特征点定位

[3]

和人脸属性分析

[4]

等任务，其检测结果直接影响后续步骤的精确性和稳健

性，具有重要的研究意义。人脸检测可分为约束场景下的人脸检测和非约束场景下的人脸

检测

[5]

，后者包含跨光谱

[6]

、多人密集环境

[7]

、局部遮挡

[8]

等多种复杂环境。由于约束场景

下的人脸检测较为简单，而非约束场景下的人脸检测受人脸尺度多样性、姿态多样性、遮

挡、模糊等条件影响比较困难，因此当前人脸检测的研究热点主要集中于非约束场景。

作为人脸检测的先驱，参考文献[9]提出了一种基于 Haar-like 特征和 AdaBoost 级联分

类器的人脸检测方法，取得了相对较好的检测效果，但其仍局限于人工设计特征的弱描述

能力。

在神经网络迅速发展的今天，研究人员已经开始使用更强特征描述能力的卷积神经网

络（Convolutional NeuralNeural NetworksNetworks, CNN）

[10-11]

来取代传统方法进行人脸

检测，并且在检测精度、速度和适应性等方面取得了较大的提高。比如 Cascade CNN

[12]

，

就是 AdaBoost 人脸检测方法的卷积神经网络实现，和传统方法相比，Cascade CNN 具有更

高的检测精度和速度。虽然基于 CNN 的人脸检测方法进一步提高了人脸检测的准确率，

但对非约束场景下的小尺寸人脸检测仍具难度。

基于卷积神经网络的人脸检测方法主要分为两种：第一种是两阶段人脸检测方法，先

在区域建议网络

[13]

（RegionRegion ProposalProposal Network, RPN）中经过端到端的训

练，再将训练得到的区域候选图送入到 Faster RCNN 进行分类和回归；另一种是源于单一

神经网络物体检测器（Single Shot MultiBox Detector, SSD）的人脸检测方法

[14]

，它不需要

进行候选区域的建议，直接在多尺度卷积层上执行人脸/背景人脸/背景分类和人脸边界框

位置回归。参考文献[15]提出了一种融合面部区域上下文信息的人脸检测方法，对小尺寸

人脸检测效果较好，但运算时效性低。参考文献[16]通过等比例补偿锚匹配策略提升对小

尺寸人脸的正样本分辨能力，通过 max-out 标签增强了人脸分类能力和检测准确度。参考

文献[17]提出了一种基于背景协作描述的单一神经网络人脸检测方法，通过扩大检测框的

感受野提高了对小尺寸人脸的检测精度。

文中基于 SSD 人脸检测模型，针对非约束场景下的小尺寸人脸检测，从以下 3 个方

面进行了改进：（1）提出了一种特征增强网络。在 SSD 基础检测网络的两个浅层特征图

上，通过协调聚合当前层特征图和前后两层特征图的特征信息，增强了当前层特征图的鉴

别性和稳健性，提高了对小尺寸人脸的检测精度。（2）对两个检测小尺寸人脸的增强特征

图，进行负样本筛选，通过增加分类的难度来降低由小尺寸锚框引起的人脸检测假正率升

高。（3）为增强特征图和原始特征图分别建立两种基于锚框尺寸的损失函数，并进行加权

融合。

剩余11页未读，继续阅读

内容反馈

版权申诉

罗伯特之技术屋

粉丝: 3642
资源: 1万+

最新资源

资源上传下载、课程学习等过程中有任何疑问或建议，欢迎提出宝贵意见哦~我们会及时处理！点击此处反馈

feedback-tip