《基于深度卷积神经网络的人脸检测》-工学论文，计算机论文-论文范文参考-科学狗论文网

标题

基于深度卷积神经网络的人脸检测

范文

翟进有代冀阳王嘉琦应进

摘要：传统的人脸识别算法如SVM，等都需要人为的进行特征提取。该文以经典的深度卷积神经网络和残差网络进行特征提取，结合区域搜索网络，设计出一种自学习的人脸检测算法。该文通过搭建多种不同深度的残差网络和卷积网络模型，结合区域搜索网络进行实验研究，在人脸检测数据集上进行训练和测试，最终测试结果显示该算法对遮挡不明显的人脸图像检测效果较SVM算法更好。

关键词：残差网络多捷联式；残差学习；时间复杂度

中图分类号：TP391.4 文献标识码：A 文章编号：1009-3044（2019）04-0182-02

在现实世界中进行人脸检测，由于姿态，表情，角度以及光线照明因素造成的视觉变化，导致计算机难以准确检测。因此，需要先进且高效的辨别模型来准确的区分出背景和人脸。

1994年初Vaillant et al等人应用神经网络进行人脸检测，他们提出训练一个卷积神经网来检测图像窗口中人脸的存在或缺失，并在网络的所有可能位置扫描整个图像。1996年，Rowley等人提出了一个视网膜连接的神经网络，用于智力的正面人脸检测。该方法在两年后被扩展用于旋转不变式人脸检测，使用“路由器”网络来估计人脸位置并应用适当的检测器网络。2002年，Garcia等人，设计出一个神经网络来检测复杂图像中的版正面人脸。2005年，Osadchy等人，训练出用于同时进行人脸检测和姿态估计的网络。

自从Viola等人做出了开创性的工作以来，具有简单特征的增强级联网络成为人脸检测中最流行和有效的方法。功能简单的特性能够使得人脸检测达到快速评估的效果。Viola-Jones等人设计的最原始的人脸检测器使用Haar特征，该特征可以快速的评估人脸正面的辨识度。然而，由于Haar特征的简单性，使得该人脸检测器在面对不同姿态，意外照明以及面部有遮挡的情形下效果较差。

1人脸识别网络

通过检测结果可以看出，本文提出的区域搜索网络模型在人脸检测数据集上能够获得较好的效果，而在训练的过程中我们没有观察到退化现象，因此可以从大量增加深度上显著提高准确度。所有评估指标都体现了深度的好处。通过采用更深的网络模型能够获得更好的检测效果。

3 结语

针对人脸识别的实时性与准确性要求，以卷积神经网络为基础，搭建了多种深度的网络模型进行训练，并且通过比较各网络的性能优劣，最终找到检测准确率最高的网络。基于深度残差网络的人脸检测算法，相较于传统的检测算法可以避免人为提取目标特征而带来的误差，在识别精度上有了巨大的提升。对于复杂背景下的目标，深度残差网络的捷径反馈机制能够有效地降低网络训练的难度，使得更深层次的网络依然能够有效地训练使用。使用深度残差网络的目标检测应用于无人机目标识别中，通过准确率与检测时间的综合性能考虑要更优于传统的深度卷积神经网络。

然而本文所研究的目标数据集依然较少，在以后的研究中需要获取更大更多的人脸数据集，并且搭建更深层次，性能更优的网络以及更高效的特征提取来提高目标检测的准确率與检测时间。且本文中所采用的人脸检测数据集大部分都是正面和侧面照，缺少具有遮挡的人脸数据，因此对于有部分遮挡住的人脸检测效果并不是很好，数据集的丰富性仍然有待提高。

参考文献：

[1] 李伟，张旭东.基于卷积神经网络的深度图像超分辨率重建方法[J].电子测量与仪器学报，2017，31（12）：1918-1928.

[2] 蒋帅.基于卷积神经网络的图像识别[D].吉林：吉林大学，2017.

[3] Chang L， Duarte M M， Sucar L E， et al. A Bayesian approach for object classification based on clustersof SIFT local features[J]. Expert Systems with Applications， 2012， 39（2）： 1679-1686.

[4] Saxe A M， McClelland J L， Ganguli S. Exact solutions to the nonlinear dynamics of learning in deep linear neural networks[J]. arXiv preprint arXiv：1312.6120， 2013.

[5] He K， Zhang X， Ren S， et al. Delving deep into rectifiers： Surpassing human-level performance on imagenet classification[C]//Proceedings of the IEEE international conference on computer vision，2015： 1026-1034.

【通联编辑：代影】

随便看

科学优质学术资源、百科知识分享平台，免费提供知识科普、生活经验分享、中外学术论文、各类范文、学术文献、教学资料、学术期刊、会议、报纸、杂志、工具书等各类资源检索、在线阅读和软件app下载服务。