复杂场景下人脸检测算法的研究与应用

发布时间：2022-07-07 09:52

　　目标检测是目前比较热门的研究课题之一,其中人脸检测应用最为广泛,人脸是一种非刚性的目标,现实环境中存在各种复杂因素影响着人脸检测的性能,例如人脸存在遮挡物,光照强度对图像质量的影响,人脸的姿态与细微的表情变化引起的变形,以及待检测目标过小等等,针对以上问题,本文针对复杂环境下人脸检测的算法进行了研究。本文主要工作有:针对遮挡、光照,强度、多姿态情况下的人脸检效果不佳的情况,本文设计了一种近似遮挡的数据增强的方法,对Yale B数据集中不同光照强度下的人脸图像进行遮挡近似处理,使用了平均脸策略和图像分割技术对特定区域进行处理获得与自然环境下相似的遮挡样本,并对样本图像进行多角度旋转,用处理后的样本与Wider Face数据集对网络模型进行联合训练,提高了检测器对遮挡情况和多姿态问题的鲁棒性,同时也解决了训练数据不足导致的过拟合问题。为了提高离摄像头较远的小人脸目标的检测率,本文使用一种多层特征图融合的方法,将卷积神经网络中的末三个卷积层的特征图进行融合,最大限度地保留卷积计算时被压缩掉的信息,从而提高小人脸目标的检测率。同时,本文根据人脸的特殊比例对区域建议框的尺寸进行调整,对Faste... 

【文章页数】：59 页

【学位级别】：硕士

【文章目录】：
论文摘要
Abstract
引言
1 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 传统人脸检测算法
        1.2.2 基于深度学习的人脸检测
        1.2.3 传统技术与深度网络结合的方法
    1.3 本文研究内容与安排
        1.3.1 本文主要研究内容
        1.3.2 本文的组织结构
2 基于卷积神经网络的人脸检测
    2.1 人脸检测算法原理
        2.1.1 面部特征提取
        2.1.2 人脸分类器
        2.1.3 边框回归
    2.2 卷积神经网络
        2.2.1 输入层
        2.2.2 卷积层
        2.2.3 激活函数
        2.2.4 池化层
        2.2.5 全连接层
    2.3 基于区域建议的检测算法
        2.3.1 R-CNN
        2.3.2 Fast R-CNN
        2.3.3 Faster R-CNN
    2.4 本章小结
3 近似遮挡的数据增强方法
    3.1 训练数据选择
    3.2 数据增强方法
        3.2.1 引入遮挡与平均脸绘制
        3.2.2 遮挡区域处理
        3.2.3 多角度旋转
    3.3 制作训练数据标签
    3.4 本章小结
4 人脸检测网络模型设计
    4.1 改进的模型
        4.1.1 多层特征图融合
        4.1.2 区域建议生成网络
        4.1.3 损失函数设计
    4.2 模型的训练
    4.3 本章小结
5 实验结果与分析
    5.1 人脸检测数据集
    5.2 人脸检测评估标准
    5.3 不同场景下的检测性能分析
        5.3.1 公开数据集评估
        5.3.2 特定场景下评估
    5.4 本章小结
6 总结与展望
    6.1 总结
    6.2 展望
参考文献
在学研究成果
致谢


【参考文献】：
期刊论文
[1]基于空间卷积神经网络的井下轨道检测方法[J]. 韩江洪,乔晓敏,卫星,陆阳.  电子测量与仪器学报. 2018(12)
[2]基于改进的AdaboostSVM的人脸表情识别[J]. 惠晓威,周金彪.  激光杂志. 2014(09)
[3]应用小波变换的人脸光照补偿[J]. 聂祥飞,谭泽富,郭军.  光学精密工程. 2008(01)
[4]水平集的图像分割方法综述[J]. 钱芸,张英杰.  中国图象图形学报. 2008(01)

硕士论文
[1]基于双目立体视觉的人脸三维建模方法研究[D]. 高洁.吉林大学 2017
[2]基于视频的高铁列车检测算法研究[D]. 张会朋.北京交通大学 2017
[3]智能监控系统前端图像处理研究[D]. 方鹏.电子科技大学 2016
[4]实用人脸识别系统初探[D]. 戴景文.上海交通大学 2009



本文编号：3656204