隨著深度學習技術的快速發(fā)展,人臉檢測技術取得很大的進展,成為近年來計算機視覺領域中的一個研究熱點。然而,人臉檢測易受到尺度變化、光照變化、遮擋方面等因素的影響,使得人臉檢測精度降低。與傳統(tǒng)檢測方法相比,SSD（Single Shot MultiBox Detector）網(wǎng)絡檢測方法具有高效的檢測速度和較好的檢測效果,但是也存在一些不足之處。因此本文提出基于改進的SSD網(wǎng)絡的人臉檢測方法,在檢測精度和檢測速度方面都取得了良好的效果。本文主要研究工作有如下兩個方面:（1）針對在多尺度等環(huán)境下的人臉檢測,傳統(tǒng)的SSD網(wǎng)絡的檢測效果存在漏檢和誤檢問題,提出基于深度殘差網(wǎng)絡（ResNeXt）的SSD網(wǎng)絡,基礎網(wǎng)絡用ResNeXt-50網(wǎng)絡替換原來的VGG16網(wǎng)絡,使用ResNeXt-50網(wǎng)絡結構不僅可以降低網(wǎng)絡訓練難度還可以減少特征提取的冗余度,不斷增強人臉特征表達能力,進一步提高人臉檢測精度。最后在WiderFace驗證集上的實驗結果,表明了基于ResNeXt網(wǎng)絡的SSD網(wǎng)絡能提高檢測精度。（2）為了解決SSD網(wǎng)絡的小人臉檢測精度問題,提出一種基于特征融合方法的SSD網(wǎng)絡。首先對高層的特征圖使... 

【文章來源】：南昌大學江西省 211工程院校

【文章頁數(shù)】：64 頁

【學位級別】：碩士

【圖文】：

圖２．１深度學習發(fā)展歷程??第一代神經(jīng)網(wǎng)絡（１９５８－１９６９）：神經(jīng)網(wǎng)絡最早起源于１９４３年的多層感知器??

個步驟。第一步是通過濾波器的尺寸作為滑動窗口的尺寸，用滑動窗??口從輸入圖像數(shù)據(jù)中選定某一區(qū)域；第二步是在卷積核運動期間將圖像上的每??個像素乘以與卷積核相對應的權重，然后將所有乘積相加以獲得最終輸出，如圖??２．２所示。??Ｉｎｐｕｔ?５ｘ５??＿＿１＿＿１?°?Ｑ?Ｆｉｌｔｅｒ?３ｘ３?Ｏｕｔｐｕｔ?３ｘ３??０?１１１０?１０１??０?０?Ｊ．＿＿１＿＿＾?０?１?０?：?４??０?０?１１０?１０?１??０?１１０?０?Ｂｉａｓ＝ｏ??ｉ??圖２．２卷積運算操作??池化層也可稱為下采樣層，其本質是對數(shù)據(jù)圖像特征進行向下采樣。池化層??卷積運算后的結果是輸出數(shù)據(jù)圖像中的特征圖特定區(qū)域的最大值或￥均值。在??卷積操作中，由于卷積核很小導致原始圖像上進行卷積后圖像仍然很大。因此，??使用池化層可以對數(shù)據(jù)降維，防止過擬合。在實際卷積網(wǎng)絡編程中，用到的池化??方法比較多，例如有最大池化、平均池化、重疊池化和空間金字塔池化等。但是，??最常用的使用方法是最大池化方法和平均池化方法。??全連接層是指兩個相鄰網(wǎng)絡層的神經(jīng)元之間以全連接的方式進行連接，目??的是為了整合多個特征信息，從上層獲得類別區(qū)分并將其映射其成為特征向量。??在卷積神經(jīng)網(wǎng)絡的結構中，經(jīng)過多個卷積層和池化層后，連接一個或多個全連接??層，用來結合先前網(wǎng)絡層中提取到的特征。但是，這種全連接方式存在缺點，最??后一步直接特征映射可能會破壞圖像的空間結構。因此，最近研宄人員提出使用??更小的卷積層代替全連接層，并且基本在神經(jīng)網(wǎng)絡結果中使用１Ｘ１卷積核。??激活函數(shù)層是在卷積神經(jīng)網(wǎng)絡上運行的函數(shù)，作用是將卷積層的輸入映射??到輸出。

?第２章基于深度學習的人臉檢測概述???２．深度殘差網(wǎng)絡（ＲｅｓＮｅｔ）??隨著網(wǎng)絡層數(shù)的增加，網(wǎng)絡模型精度會不斷提高。但當網(wǎng)絡層數(shù)增加到一定??數(shù)量時，訓練精度和測試精度會表現(xiàn)出迅速下降，因此當網(wǎng)絡變得非常深時，卷??積神經(jīng)網(wǎng)絡變得更加難以訓練。針對這些問題，Ｈｅ等人在２０１５年提出了?ＲｅｓＮｅｔ??網(wǎng)絡［４６］，并且獲得了?ＩＬＳＶＲＣ－２０１５分類競賽冠軍。ＲｅｓＮｅｔ網(wǎng)絡參數(shù)結構，深度??可達到１５２層，一般使用５０或者１０１層，如圖２．３所示。ＲｅｓＮｅｔ網(wǎng)絡主要引入??了殘差學習單元，其核心思想是引入一個的恒等快捷連接（Ｉｄｅｎｔｉｔｙ?Ｓｈｏｒｔｃｕｔ??Ｃｏｎｎｅｃｔｉｏｎ），直接跳過一個或多個層，結構如圖２．４所示，具體殘差結構構造如??圖２．５所示。??．１＇．?．？：?＞?－ｕｉｉｍｌ?Ｍ／ｔ＊?ｊ?１Ｋ－Ｉａ＞Ｉ?，４?１ａ＼ｉ＊ｉ?ｌ．ｉ＼?＾?ｉ?Ｉ＇Ｍ?ｌＹｌ．ｉｙｒ??ｃｏｎｖ?１?１１２－１１２?ｖｉｉｕｉｃ?＾??＇?＾?ｍａｘ?ｐＨ？ｌ?Ｍｉｕｋ＊?２??〇．＜ｎ２ｘ?Ｖ－．Ｓｆ，?ｍ?二＂」“?，［．?ｆ?１?：?ｍ??，?－２?１?、，．．？：．＊?■；?．，．、?．?．Ｖ?Ｍ?＊?＾?３?？?Ｖ?＜、４?；??、＿?‘，’、．、?［?Ｉ?＊?１．?２５６?＾?１?？?Ｊ?ｌ?？?１．２５ｈ??卜１?Ｉ〉?ｆ?！?■丨．ｉ：Ｓ?？卜丨．丨Ｊｓ?’??ｔｏｍｒｘ?２Ｋ?／?，、２?．?＇?＇?４?３－３．?１２８?＊４?Ｖ．?Ｘ?１２８?＜４?ＨＩ?２８?Ｋ??－?’．丨＊＞?［?１－１．５１２」?［ｈ?Ｉ．Ｍ２?ｊ?Ｉ?？?＼．＾＼：??

【參考文獻】：
期刊論文
[1]基于多特征Mean Shift的人臉跟蹤算法[J]. 張濤,蔡燦輝.  電子與信息學報. 2009(08)
[2]基于HMM的面部表情圖像序列的分析與識別[J]. 金輝,高文.  自動化學報. 2002(04)
[3]基于模板匹配與支持矢量機的人臉檢測[J]. 梁路宏,艾海舟,肖習攀,葉航軍,徐光祐,張鈸.  計算機學報. 2002(01)
[4]人臉識別技術綜述[J]. 張翠平,蘇光大.  中國圖象圖形學報. 2000(11)



本文編號：3353747