基于SSD算法的人脸目标检测的研究

摘要

为实现SSD算法模型对人脸的目标检测,采用公开人脸数据集FDDB对网络模型进行重新训练改进。通过训练时输入不同的人脸数据集来优化网络训练结果。针对人脸检测训练过程中的过拟合问题,通过降噪自编码器的方法,在输入数据集中加入负样本,在训练模型中生成噪声。通过L1正则化产出稀疏模型,稀疏模型具有更好的特性去处理高维的数据特征以增强模型的泛化能力,实现在网络迭代训练过程中降噪的效果,防止模型陷入过拟合。然后通过非极大值抑制算法(NMS)使候选框确定为最终的人脸检测窗口进行人脸检测。在训练平台MXnet下的实验结果表明,加入噪声后的人脸检测模型的mAp(mean average precision)性能提高至0.997,同时在提高遮挡、光照、小目标等检测的鲁棒性的情况下,仍保持较快的收敛速度。