基于卷积神经网络的多视角人脸检测研究

《基于卷积神经网络的多视角人脸检测研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、学校代码10530学号201510171820分类号TP391密级公开硕士学位论文基于卷积神经网络的多视角人脸检测研究学位申请人林祥指导教师石跃祥教授学院名称信息工程学院学科专业计算机科学与技术研究方向图形图像处理技术二○一八年五月十日ResearchonMulti-viewFaceDetectionBasedonConvolutionNeuralNetworkCandidateLinXiangSupervisorProf.ShiYuexiangCollegeCollegeofInformationEngineeringPr

2、ogramComputerScienceandTechnologySpecializationGraphicsandImageProcessingTechnologyDegreeMasterofScienceUniversityXiangtanUniversityDateMay10,2018摘要近年来，人脸检测技术已经成为了最热门的研究课题之一，随着人脸检测方面技术的成熟，社会上对其运用也是随处可见，现实生活中随着银行、各大商场、海关、道路安全、车站安检口及其他安全监控等方面技术的广泛运用，对于人脸检测的要求也越来越高，不仅

3、针对检测的精度而且也对检测的速度有一定的要求，就目前人脸检测现状而言，基于复杂背景下的多视角人脸检测存在的效率低，漏检率高已成为当下研究的难点问题。本文主要针对的是对多视角人脸检测存在的问题进行了相关研究。提出了基于卷积网络的多视角人脸检测算法研究，该算法运用了近几年研究热门的深度学习来代替传统的人脸检测算法，充分运用了深度学习中的优势来提高检测正确率，在Caffe框架下的实验结果表明，本文的方法在效率和精度上都有较优的表现，同时对肤色，光照也都具有一定的鲁棒性。本文的主要工作内容如下：（1）针对在复杂背景下人脸多视角确定的

4、问题，本文中利用基于Candide-3改进模型的姿态算法来解决多视角问题，通过将Candide-3标准模型中的113个顶点改进简化为与人脸姿态有关联的88个顶点，创新性的增加了左右瞳孔中心、嘴巴中心关键特征点的标注，通过在三维空间特征点位置上的投影，得到平面位置上的相对应的特征三角形，最终利用数学知识得到了人脸的偏转角。通过在AFLW标准多姿态数据库与其他主流姿态算法的对比，最终验证了本文采用的Candide-3模型方法的有效性和高效性。（2）针对传统的人脸检测方法，作为当今的主流之一卷积神经网络其优势备受追捧，基于此，本文

5、提出了一种基于卷积神经网络的多视角人脸检测算法研究，通过利用NetworkInNetwork(NIN)网络结构模型来训练得到一个深度人脸分类器。由于该模型中采用了全局均值池化来代替传统网络中的全连接层，因此能有效防止训练过程中的数据过拟合现象。不管是从模型训练的时间上还是性能上都有较好的提升。（3）针对通过本文的检测方法最终得到多个标注人脸框的问题，本文中提出了基于非极大值抑制算法（Non-maximumsuppression，NMS）来进行选择最优人脸标注框，通过在每个人脸标注框中迭代搜索局部的最优解使其最终确定为最优的人

6、脸检测窗口，消除了交叉且效果不佳的标注人脸框。关键词：卷积网络；NetworkInNetwork(NIN)模型；非极大值抑制算法；多视角人脸检测；Caffe框架；Candide-3框架。IAbstractInrecentyears,facedetectiontechnologyhasbecomeoneofthehottestresearchtopics.Withthematurationoffacedetectiontechnology,itsuseinsocietyisalsoseeneverywhere.Inrealli

7、fe,banks,shoppingmalls,customs,roads,Theextensiveuseoftechnologysuchasstationsecurityinspectionsandothersecuritymonitoringhasincreasedthedemandforfacedetection,notonlyfortheaccuracyofdetectionbutalsoforthespeedofdetection,asfarasthecurrentstatusoffacedetectioniscon

8、cerned.Duetothelowefficiencyofmulti-viewfacedetectionbasedoncomplexbackground,thehighrateofmisseddetectionhasbecomeadifficultissueincurrentresear