基于深度学习增强人脸检测精确度研究

摘要

人脸识别过程分为人脸检测、关键点定位和识别。人脸检测通过图像检测是否存在人脸和定位人脸位置的过程；关键点定位通过对人脸的特征位置（眼、嘴等）进行定位的过程；识别通过设备采集的数据与数据库进行对比的过程。目前，人脸检测存在以下几个问题，如：人脸变化性强、人脸遮挡，光线不均匀导致设备无法接收和目标对象太小使机器识别度下降。人脸变化性强归因于人脸的肤色、外貌和表情会随着年龄增大而变化；人脸遮挡源于采集的图像与录入数据库图像的不匹配，这种不匹配会影响到后续训练检测结果导致机器不能正常检测；光线不均匀会导致接收设备检测不到人脸；目标对象太小使机器获得目标特征少，从而出现漏检测现象。本文针对目标对象太小导致精确度降低做出系统的研究，一定程度上降低检测误差达到优化人脸检测过程。 通过比较不同版本目标检测方式，本文决定利用深度学习中卷积神经网络知识进行研究。论文框架结构分为：特征筛选过程和目标检测过程。结合人脸数据集WIDERFACE，达到优化人脸检测效果。本文主要研究内容和结果如下： （1）设计的检测网络可针对不同大小的目标对象。检测网络的不同层设计不同候选框尺寸，确保不同的目标对象检测。 （2）设计候选框与真实框的匹配策略来提高了小脸检测的召回率。 本文基于Titan X（Pascal）测试实验平台研究的人脸检测器在测试人脸检测基准数据集FDDB上精确度达到0.97。

目录

第一个书签之前