基于深度学习的人脸检测算法的研究与实现

摘要

近二十年来，人脸检测技术作为计算机视觉领域的一个热门方向备受关注。受益于Viola和Jones发明的级联检测器，使得人脸检测在简单环境下具有实时性与可行性。然而随着社会的发展，人脸检测技术越来越多的被应用于复杂场景，如：视频流监控、智能警车等。这种复杂背景对人脸检测技术在精度和实时性上提出了更高的要求。传统的级联检测器已经不再满足这些场景的应用需求。
　　为了解决这种复杂场景下的人脸检测需求，越来越多的研究者将卷积神经网络应用于人脸检测算法中，虽然这些算法取得了丰硕的成果，但是现有的基于卷积神经网络的人脸检测算法依然存在一些问题：
　　1.依然采用传统的滑动窗口范式用于人脸候选框的生成，时间上消耗过大。
　　2.用于过滤人脸候选框的算法不够高效，进一步加剧了时间的消耗。
　　3.卷积神经网络深度不够深，使得算法泛化能力不够强，网络过深使得时间消耗太大。
　　论文从以上几点出发，以深度卷积神经网络为基础，结合GPU技术以及传统检测算法中级联的思想实现了一个高性能的人脸检测算法，该算法能够实时的处理复杂情况（光照差、遮挡、角度变化等）下的人脸检测。该算法的主要贡献总结如下：
　　1.使用GPU技术，将候选框过滤算法中的并行计算组件在GPU中实现，从而大大加快候选框过滤的速度。
　　2.定义了一个候选框生成网络，将人脸候选框的生成放在卷积神经网络中，减少了负样本候选框生成数量的同时，加快了候选框生成的速度。
　　3.对已有的卷积神经网络进行改进，构建了一个新的人脸框分类网络，在明显减小时间消耗的同时，仅仅损失一点分类精度。
　　4.在该算法的网络中引入多任务结合的方式，即分类任务与回归任务结合，从而提高了算法的精度。
　　5.将候选框生成网络与人脸分类网络相结合，实现了一个端到端的级联网络，进一步提升了算法的速度。
　　最后基于实际场景需求，实现了一个基于该算法的分布式人脸检测系统，经过测试表明，基于该算法的分布式人脸检测系统具有高精度、实时性、高并发性以及可扩展性。

目录

声明

第一章 绪 论

1.1 选题背景和意义

1.2 国内外研究现状和发展态势

1.3 工作内容及特色

1.4 各章内容介绍

第二章 理论基础及相关技术

2.1 深度学习

2.2 候选框生成技术

2.3 常见人脸检测算法

2.4 本章小结

第三章 EMT_CNN人脸检测算法

3.1 算法设计思路

3.2 算法框架

3.3 Face Classify Network

3.4 Proposal Generate Network

3.5 非极大值抑制的GPU化

3.6 模型训练

3.7 本章小结

第四章 人脸检测系统设计

4.1 系统功能及需求

4.2 人脸检测系统整体框架

4.3 基础通信框架

4.4 Resource Node

4.5 Proxy Node

4.6 Task Excutor Node

4.7 节点通信协议

4.8 系统核心流程

4.9 本章小结

第五章 人脸检测系统实现

5.1 基础通信框架

5.2 Resource Node

5.3 Proxy Node

5.4 Task Excutor Node

5.5 本章小结

第六章 测试与分析

6.1 测试环境

6.2 EMT_CNN算法性能测试

6.3 系统测试

第七章 总结与展望

致谢

参考文献

攻硕期间取得的研究成果