基于SSD的人脸遮挡实时检测方法研究及系统实现

发布时间：2020-03-30 08:12

【摘要】：随着人工智能的迅速发展,具有识别和处理功能的智能检测系统得到越来越多的关注,人脸遮挡的异常行为检测便是其中一项重要的研究课题。日常生活中,犯罪份子通常遮挡自己的面部特征实施犯罪来隐藏自己的身份,因此人脸遮挡的异常行为检测能够有效地辅助犯罪行为的预判。然而,现存的人脸遮挡的异常行为检测主要存在以下不足:(1)现存方法大多采用多步检测的人体异常行为检测的方法,因此该类方法在多个遮挡目标的复杂环境下表现出较差的鲁棒性;(2)现存的基于传统神经网络的异常行为检测算法存在运算复杂度高、模型参数多和实时性差的问题;(3)现存的基于深度学习的异常行为检测方法只是停留在基于深度学习开源框架的桌面端演示,由于无法脱离开源的深度学习框架从而导致此类算法实用性差和移植性差。为了解决现存人脸遮挡异常行为检测方法在多个遮挡目标的复杂环境下表现出较差的鲁棒性的问题,本文采用了开源目标检测框架SSD对人脸遮挡异常行为进行检测。该算法首先通过多目标检测框架对人体面部遮挡物(包括口罩、墨镜等)进行检测,以此来达到提取人体面部特征的目的。然后利用所提取人体面部特征判断人脸遮挡的异常行为的发生。实现表明,所提出的人脸遮挡异常行为检测方法能够很好地检测复杂环境下的多人异常行为的发生,并在自录数据集上达到较高的准确度。为了解决现存人脸遮挡行为异常行为检测方法存在的运算复杂度高、模型参数多和实时性差的问题。在不同算力和带宽下对比分析VGG、MobileNet、GoogleNet等网络模型,本文提出了一种基于轻量型SSD的人脸遮挡异常行为检测方法。该算法摒弃了基于传统卷积神经网络VGG的目标检测框架SSD,而使用了一种利用轻量型MobileNet网络来提取特征。实验表明,所使用的轻量型SSD在CPU中的检测速度较基于VGG的SSD提高了8.5倍。为了解决现存人脸遮挡异常行为检测方法实用性差和移植性差的问题,本文设计并实现了一种人脸遮挡异常行为检测系统,该系统通过人脸遮挡判定模块提高人脸遮挡检测的准确度至95%,并脱离Caffe框架,能够在CPU中实时检测人脸遮挡异常行为,具有较强的实用性和灵活性。
【图文】：

候选框,目标检测定位,公式,映射功能

图 3.1 狗分类的 SVMR-CNN 通过回归方法修正候选框的位置，对于每个类，训练一个线性去判断这个框是否精确定位，提高了目标检测定位的准确性。FAST R-CNN[50]的主要贡献在于对 R-CNN进行加速，有两个关键的改（1）借鉴了金字塔池化（SPP）的思路，提出了简化版的 ROI 池化层了候选框映射功能，使得网络能够反向传播。（2）使用了多任务 loss层，，开创性的将分类和边框回归进行合并，不过程统一，也相应提高了算法的精确度。ROI 池化层可以传导训练中的参数，传统的最大池化的映射公式如 3.0 ( )=0( )=1iii, jLLxi, jy 可以看出传统的池化映射公式对应的权值没有得到更新，而 ROI 池化射公式表示如公式 3.2。

检测结果,候选框,检测速度

第 3章基于 SSD的人脸遮挡异常行为检测方法Faster R-CNN[51]1、RPN 提取候选框2、卷积网络提取特征3、Softmax 分类4、多任务回归层1、处理速度还需改进2、提取候选框后再分类的计算量较大（2）基于深度神经卷积网络的目标检测框架SSD 目标检测算法基于更深层次的卷积神经网络，真正实现了端对端的检测和训练。我们对 SSD 的检测速度和精度进行实验，检测速度不仅与网络模型效率、输入图片大小有关，还与实验所用的计算平台有关。实验所用 GPU 显卡为 Nvidia GTX 1060，在 Ubuntu 系统的 Caffe 框架中分别在使用 GPU 加速和不使用 GPU加速对 SSD的检测速度进行测试，测试的视频为 SSD提供的 demo视频，速度测试结果如图 3.9、3.10。
【学位授予单位】：南昌大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP391.41;TP18

【相似文献】