基于局部非线性特征融合的遮挡人脸检测
发布时间：2021-04-11 16:28
遮挡人脸检测是当前人脸检测面临的最主要问题之一.人工智能时代,人脸检测作为图像处理与计算机视觉领域的重要研究方向得到广泛应用,而具体复杂的实际应用场景对其算法的要求也在不断提高.本文对彩色图像中的人脸检测算法进行了深入研究,并提出一种基于局部非线性特征融合的遮挡人脸检测算法.LNFF-Net（Locally Nonlin-ear Feature Fusion-based Network）分为候选区域生成和候选区域判别两个阶段,主要处理了以下问题:（1）利用预训练模型提取网络学习特征,解决遮挡人脸训练数据不足的问题;（2）引入GBVS模型计算视觉显著图,提出利用传统底层视觉特征修正网络特征图上的分类得分,解决遮挡人脸候选区域漏检误检的问题;（3）提出一种新的非线性融合方法,抑制背景区域的同时增强人脸区域的特征表达能力,解决特征融合策略单一的问题;（4）引入并调整Fast R-CNN模型,一次性提取所有区域特征,减少时间复杂度的同时提高遮挡人脸特征的鲁棒性,解决传统候选区域判别算法反复提取特征的问题.本文实验使用了现实应用场景的MAFA和COFW公开遮挡人脸数据集,结果证明:LNFF-Ne...
【文章来源】：内蒙古大学内蒙古自治区 211工程院校
【文章页数】：59 页
【学位级别】：硕士
【部分图文】：
图１－１遮挡人验检测的应用事例??Ｆｉｇｕｒｅ?１－１?Ａｐｐｌｉｃａｔｉｏｎ?ｅｘａｍｐｌｅｓ?ｏｆ?ｍａｓｋｅｄ?ｆａｃｅ?ｄｅｔｅｃｔｉｏｎ．??
测领域沿着“由粗到细”（“ｃｏａｒｓｅ－ｔｏ－ｆｉｎｅ”）和“一步??到位”（“ｃｏｍｐｌｅｔｅ?ｉｎ?ｏｎｅ?ｓｔｅｐ”）的两种思路ｐＧ］，以前所未有的速度迅猛发展？本节??首先介绍了关于卷积神经网络的预备知识，再延续上一节“由粗到细”的讨论，以??ＭＴＣＮＮ模型为例展开分析．??§２．２．１卷积神经网络??卷积神经网络（Ｃｏｎｖｏｌｕｔｉｏｎａｌ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ）．．基本结构包括输人层，卷积层，池??化层，全连接层和输出层，如经典的ＬｅＮｅｔｊ２１：１，其网络结构如图２－３所示．??Ｃ３：ｆ．?ｍａｐｓ?１６＠１０ｘｌ０??ＩＮＰＵＴ?ＣＬｆｅａｔｕｒｅ?ｍａｐｓ?＿§５：￡?＾＾ｃｌ＾ａｙｅｒ??３２ｘ３２?馨祕?Ｓ２：ｆ．?ｍａｐｓ＾＾Ｌ?ｆｃ＾ｌ２０?Ｆ６：ｌａｙｅｒ?ＯＵＴＰＵＴ??「■?Ｉ?■?Ｉ?｜?Ｇａｕｓｓｉａｎ??｜?＂?Ｉ?Ｉ?Ｆｕｌｌ?ｃｏｎｎｅｃｔｉｏｎ?ｃｏｎｎｅｃｔｉｏｎｓ??Ｃｏｎｖｏｌｕｔｉｏｎｓ?Ｓｕｂｓａｍｐｌｉｎｇ?Ｃｏｎｖｏｌｕｔｉｏｎｓ?Ｓｕｂｓａｍｐｌｉｎｇ?Ｆｕｌｌ?ｃｏｎｎｅｃｔｉｏｎ??图２－３?Ｌｅｎｅｔ－５网络结构图??Ｆｉｇｕｒｅ?２－３?Ａｒｃｈｉｔｅｃｔｕｒｅ?ｏｆ?ＬｅＮｅｔ－５．??ｉ?？卷积层??卷积层主要用于特征提取，旦屋数越深提取的特征越抽象．??ｎ??Ａ?＝?，（２（ｘｉ?？?岣？／）?＋?ｂ）＿?（２－Ｄ??ｉ＝ｌ??其中？七表示输人信号，，ｎ个输人信号同时输入神经元上＜ｇ）表示卷积操作．％表??元输入憤号力与神经元）相连的权重值，＼为偏置值，＆为神经元的输出．输??出，其中ｈ和Ｗ为空间尺寸，称二维数据，
ｌｙ?ｃｏｎｖｏｌｕｔｉｏｎａｌ?ｎｅｔｗｏｒｋ，?ＦＣＮ）［２２］．其输出为图数??据类型（１，?＆?２?１），且经激活函数图像像素值范围为［０，１］，于是ＦＣＮ的输出??即可称为特征圈叉可称为热图（ｈｅａｔ－ｍａｐ）．??２．池化层??池化层主要用于降釆样．基本的池化操作有最人池化和平均池化，如图２－４所??示以２?ｘ?２范围中的最太像素值或乎均值代替该区域．??Ｍａｘ－ｐｏｏｌｉｎｇ??ｍｏ＼２?３?４４－??Ｕ?２ｉ３｜４｜?ｙｙ??Ａｖｅｒａｇｅ－ｐｏｏｌｉｎｇ??图２４池化示意图??Ｆｉｇｕｒｅ?２－４?Ｅｘａｍｐｌｅ?ｏｆ?ｐｏｏｌｉｎｇ．??３．全连接＆??全连接层整合了卷积层或者池化层中具有类别Ｋ分性的局部信息．特别地，全??连接层根据任务进行设计，一旦全连接层周定，网络的输人图像尺寸也将固定．??４．网络学习过程??卷机神经网络模型属于机器孛习算法，其学习过程即最小化损失函数更新网??络参数的过程．??Ｎ??浐＝ａｒｇｍｉｎ?士?２?办，／（Ｉ／４））?＋?义．續）?（２－３）??／＝１??模型分为训练阶段和测试阶段，式２－３中Ｘ，＿为训练样本，七为训练标签．为了??更形象地描述祌经网络，／（Ｘｆ；⑴又称为像息的前向传播过程，对应地，求解此优??—８?—??
【参考文献】：
期刊论文
[1]遮挡条件下实时人脸检测[J]. 蒋婵,黄晁,陈春燕. 传感器与微系统. 2019(02)
[2]基于YOLO与改进的DLIB多角度遮挡人脸判别方法[J]. 呙红娟,石跃祥,成洁. 计算技术与自动化. 2018(04)
[3]基于卷积神经网络级联的蒙面人脸检测算法[J]. 卜伟,肖江剑,周传宏,康齐正,吴宝国,龚迪军. 计量与测试技术. 2018(10)
本文编号：3131590
【文章来源】：内蒙古大学内蒙古自治区 211工程院校
【文章页数】：59 页
【学位级别】：硕士
【部分图文】：
图１－１遮挡人验检测的应用事例??Ｆｉｇｕｒｅ?１－１?Ａｐｐｌｉｃａｔｉｏｎ?ｅｘａｍｐｌｅｓ?ｏｆ?ｍａｓｋｅｄ?ｆａｃｅ?ｄｅｔｅｃｔｉｏｎ．??
测领域沿着“由粗到细”（“ｃｏａｒｓｅ－ｔｏ－ｆｉｎｅ”）和“一步??到位”（“ｃｏｍｐｌｅｔｅ?ｉｎ?ｏｎｅ?ｓｔｅｐ”）的两种思路ｐＧ］，以前所未有的速度迅猛发展？本节??首先介绍了关于卷积神经网络的预备知识，再延续上一节“由粗到细”的讨论，以??ＭＴＣＮＮ模型为例展开分析．??§２．２．１卷积神经网络??卷积神经网络（Ｃｏｎｖｏｌｕｔｉｏｎａｌ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ）．．基本结构包括输人层，卷积层，池??化层，全连接层和输出层，如经典的ＬｅＮｅｔｊ２１：１，其网络结构如图２－３所示．??Ｃ３：ｆ．?ｍａｐｓ?１６＠１０ｘｌ０??ＩＮＰＵＴ?ＣＬｆｅａｔｕｒｅ?ｍａｐｓ?＿§５：￡?＾＾ｃｌ＾ａｙｅｒ??３２ｘ３２?馨祕?Ｓ２：ｆ．?ｍａｐｓ＾＾Ｌ?ｆｃ＾ｌ２０?Ｆ６：ｌａｙｅｒ?ＯＵＴＰＵＴ??「■?Ｉ?■?Ｉ?｜?Ｇａｕｓｓｉａｎ??｜?＂?Ｉ?Ｉ?Ｆｕｌｌ?ｃｏｎｎｅｃｔｉｏｎ?ｃｏｎｎｅｃｔｉｏｎｓ??Ｃｏｎｖｏｌｕｔｉｏｎｓ?Ｓｕｂｓａｍｐｌｉｎｇ?Ｃｏｎｖｏｌｕｔｉｏｎｓ?Ｓｕｂｓａｍｐｌｉｎｇ?Ｆｕｌｌ?ｃｏｎｎｅｃｔｉｏｎ??图２－３?Ｌｅｎｅｔ－５网络结构图??Ｆｉｇｕｒｅ?２－３?Ａｒｃｈｉｔｅｃｔｕｒｅ?ｏｆ?ＬｅＮｅｔ－５．??ｉ?？卷积层??卷积层主要用于特征提取，旦屋数越深提取的特征越抽象．??ｎ??Ａ?＝?，（２（ｘｉ?？?岣？／）?＋?ｂ）＿?（２－Ｄ??ｉ＝ｌ??其中？七表示输人信号，，ｎ个输人信号同时输入神经元上＜ｇ）表示卷积操作．％表??元输入憤号力与神经元）相连的权重值，＼为偏置值，＆为神经元的输出．输??出，其中ｈ和Ｗ为空间尺寸，称二维数据，
ｌｙ?ｃｏｎｖｏｌｕｔｉｏｎａｌ?ｎｅｔｗｏｒｋ，?ＦＣＮ）［２２］．其输出为图数??据类型（１，?＆?２?１），且经激活函数图像像素值范围为［０，１］，于是ＦＣＮ的输出??即可称为特征圈叉可称为热图（ｈｅａｔ－ｍａｐ）．??２．池化层??池化层主要用于降釆样．基本的池化操作有最人池化和平均池化，如图２－４所??示以２?ｘ?２范围中的最太像素值或乎均值代替该区域．??Ｍａｘ－ｐｏｏｌｉｎｇ??ｍｏ＼２?３?４４－??Ｕ?２ｉ３｜４｜?ｙｙ??Ａｖｅｒａｇｅ－ｐｏｏｌｉｎｇ??图２４池化示意图??Ｆｉｇｕｒｅ?２－４?Ｅｘａｍｐｌｅ?ｏｆ?ｐｏｏｌｉｎｇ．??３．全连接＆??全连接层整合了卷积层或者池化层中具有类别Ｋ分性的局部信息．特别地，全??连接层根据任务进行设计，一旦全连接层周定，网络的输人图像尺寸也将固定．??４．网络学习过程??卷机神经网络模型属于机器孛习算法，其学习过程即最小化损失函数更新网??络参数的过程．??Ｎ??浐＝ａｒｇｍｉｎ?士?２?办，／（Ｉ／４））?＋?义．續）?（２－３）??／＝１??模型分为训练阶段和测试阶段，式２－３中Ｘ，＿为训练样本，七为训练标签．为了??更形象地描述祌经网络，／（Ｘｆ；⑴又称为像息的前向传播过程，对应地，求解此优??—８?—??
【参考文献】：
期刊论文
[1]遮挡条件下实时人脸检测[J]. 蒋婵,黄晁,陈春燕. 传感器与微系统. 2019(02)
[2]基于YOLO与改进的DLIB多角度遮挡人脸判别方法[J]. 呙红娟,石跃祥,成洁. 计算技术与自动化. 2018(04)
[3]基于卷积神经网络级联的蒙面人脸检测算法[J]. 卜伟,肖江剑,周传宏,康齐正,吴宝国,龚迪军. 计量与测试技术. 2018(10)
本文编号：3131590
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3131590.html
最近更新
教材专著
