基于卷积神经网络的人脸检测算法研究

发布时间：2024-06-11 22:14

　　人脸检测算法为身份验证、人机交互、安全监控、公安侦查等领域提供了技术支持,传统的人脸检测算法对于人脸特征的信息提取有限,尤其对小人脸、被遮挡的人脸和复杂环境下的人脸信息的提取存在漏检、误检等问题。卷积神经网络(CNN)是深度学习(DL)在人脸检测领域的有效算法之一,但是基于CNN的人脸检测算法依然存在不足之处,比如算法内部计算量过大、对参数更新的优化算法收敛不稳定、人脸的检测精度不高等问题。因此,本文对基于CNN的人脸检测算法进行研究并对激活函数和优化算法进行了改进。论文主要工作如下:(1)针对CNN进行人脸检测时,在非线性特征及负值特征上出现学习效率不高和神经元坏死的问题,提出了一种基于CNN的SE(Softsign-ELU)激活函数。该激活函数结合了ELU和Softsign的优势,既解决了现有激活函数在负值时神经元坏死的问题,又避免了在正值时激活函数的输出值无限大于0的偏移现象,从而提高了网络的表达能力,也降低了计算量。本文采用Retinaface人脸检测网络,在公开人脸数据集widerface上分别对Softsign、Tanh、Re LU、SE四个函数在三种不同等级Hard、Me...

【文章页数】：68 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 研究背景与意义
    1.2 国内外研究现状
        1.2.1 卷积神经网络研究历史与现状
        1.2.2 人脸检测算法
        1.2.3 激活函数
        1.2.4 优化算法
    1.3 本文主要研究内容
第二章 卷积神经网络相关基础理论
    2.1 卷积神经网络的特点
        2.1.1 局部连接
        2.1.2 权值共享
    2.2 卷积神经网络的基本结构
        2.2.1 卷积层
        2.2.2 池化层
        2.2.3 全连接层
        2.2.4 分类器
    2.3 卷积神经网络的优化训练
        2.3.1 激活函数
        2.3.2 前向传播与反向传播
        2.3.3 优化算法
    2.4 本章小结
第三章 Retinaface 人脸检测算法中激活函数的改进
    3.1 Retinaface 人脸检测网络
    3.2 常见的激活函数
    3.3 SE激活函数
    3.4 实验仿真
        3.4.1 实验数据集
        3.4.2 实验环境及评价指标
        3.4.3 实验结果与分析
    3.5 本章小结
第四章 人脸检测算法中优化算法的改进
    4.1 常见的优化算法
    4.2 改进的 Adam 优化算法(S-Adam)
    4.3 理论分析与证明
        4.3.1 S-Adam算法在目标函数为凸函数下的收敛性
        4.3.2 S-Adam算法在目标函数为非凸随机优化下的收敛性
    4.4 仿真实验
        4.4.1 实验数据集
        4.4.2 实验环境与评价指标
        4.4.3 实验结果与分析
    4.5 本章小结
第五章 总结与展望
    5.1 总结
    5.2 展望
参考文献



本文编号：3992794