基于YOLO网络的人脸检测技术研究
发布时间：2021-01-03 11:15
近几年来,随着人工智能的蓬勃发展,人脸检测作为最热门的研究课题之一,应用于许多社会生活中的实际场景中,例如手机支付、智能安防、自动驾驶等。YOLO网络一经问世就因其检测的实时性能备受瞩目,同比于目前实用的检测网络,YOLO有检测速度的优势,但同时也相对牺牲了检测精度,YOLO网络发展到第三代,网络结构加深,检测精度得到改善但同时检测速度有所降低。随着基于深度学习的人脸检测网络的快速发展,如何适用于实际的社会生活中面临了较大的困难与挑战,比如过小且像素过低的目标、模型参数过多占据存储空间过大、检测的速度和精度无法权衡等。针对上述问题,本文在基于回归思想的YOLO网络的基础上,提出一种新的网络模型,本文的主要研究内容如下:（1）针对于人脸数据集,研究不同数量的anchor对网络模型的影响,使用无监督算法k-means++对人脸数据集的宽高进行重新聚类,获得适用于本文人脸数据集的边界框大小和数量。（2）针对非极大抑制存在漏检邻近人脸的问题,提出一种基于加权的非极大抑制算法,对预测框中得分低的预测框不做直接抑制处理,而将其降低得分,并与设定的重叠阈值做比较,低于阈值再做抑制,否则视为检测框输出...
【文章来源】：长春理工大学吉林省
【文章页数】：69 页
【学位级别】：硕士
【部分图文】：
LeNet-5卷积神经网络模型
20图2.12R-CNN的检测流程图R-CNN使用SelectiveSearch对图像进行分割，在图像中搜索出2000个独立候选框(RegionProposal)，由于搜出的候选框大小不一，但卷积神经网络对输入图片的大小是有固定的，因此需要对每个输入的候选框都缩放到固定的大校R-CNN网络的检测精度较高，但从一开始的特征信息提取就占据大量空间，后期的检测又依附前期提取的大量信息，整个过程的计算量过大。目前，常用的目标检测网络FastR-CNN和FasterR-CNN，都是对R-CNN通过候选框选取，分类器训练等方面进行优化，改进了计算量过大的问题，提高了训练速度，精度也有所保证，因而成为目前目标检测的热门算法。2.5本章小结本章介绍了本课题所涉及到的相关理论基础，首先介绍了人工神经网络基本原理和结构，然后对卷积神经网络基本原理和结构进行分析，包括卷积层、池化层、全连接层、激活函数等，接着介绍了卷积神经网络的训练方法，分为前向传播和反向传播，通过介绍梯度下降法引出反向传播，并针对各层逐层分析其反向传播更新参数的方法，最后介绍了两个经典的基于卷积神经网络的网络模型。1.Inputimage2.ExtractregionProposals(~2k)3.ComputeCNNfeaturess4.Classifyregions
30图3.6目标框聚类效果图(a)原聚类方法检测结果(b)本节聚类方法检测结果图3.7检测框检测效果对比3.4非极大抑制的设计非极大抑制算法(NMS)[52]是物体检测过程中的重要组成部分，作为输出结果前的最后一个步骤，它的作用是选定适合的检测框并抑制冗余的检测窗口，其本质就是一种聚类方法，输出的结果为每一类的聚类中心。本节旨在于即便场景复杂目标微小，如若预测框框出人脸，则需要检测结果中不出现遗漏，提高模型的检测精度。传统的非极大抑制首先根据目标的检测分数生成检测框集合B，在B中选择出置信度最高的检测框M，并最终放入检测结果的集合D中，并将余下与M有明显重叠的检测框ib从集合B中移除，通过此过程遍历所有检测目标，即为非极大抑制的任务。计算公式如式(3-10)所示。非极大抑制目前大量用于目标检测任务中，但由于其设定了重叠阈值tN，同时将大于其重叠阈值的邻检测框的置信度强制归零，这使得若其他
【参考文献】：
期刊论文
[1]人脸检测技术综述[J]. 游清清,谌海云,骆俊,王小怡. 无线互联科技. 2017(10)
[2]基于DPM模型的静态人脸检测[J]. 钱玉洁,王玉德,冯玮,李圆圆,张肖肖. 电子技术. 2016(03)
[3]一种复杂背景中的人脸检测与验证方法[J]. 章品正,赵洪玉,梁晓云,舒华忠,徐琴珍. 数据采集与处理. 2004(01)
硕士论文
[1]基于深度视感知学习的目标检测算法与应用研究[D]. 张亚超.兰州理工大学 2018
[2]复杂条件下人脸检测方法研究与实现[D]. 梅真卿.电子科技大学 2018
本文编号：2954887
【文章来源】：长春理工大学吉林省
【文章页数】：69 页
【学位级别】：硕士
【部分图文】：
LeNet-5卷积神经网络模型
20图2.12R-CNN的检测流程图R-CNN使用SelectiveSearch对图像进行分割，在图像中搜索出2000个独立候选框(RegionProposal)，由于搜出的候选框大小不一，但卷积神经网络对输入图片的大小是有固定的，因此需要对每个输入的候选框都缩放到固定的大校R-CNN网络的检测精度较高，但从一开始的特征信息提取就占据大量空间，后期的检测又依附前期提取的大量信息，整个过程的计算量过大。目前，常用的目标检测网络FastR-CNN和FasterR-CNN，都是对R-CNN通过候选框选取，分类器训练等方面进行优化，改进了计算量过大的问题，提高了训练速度，精度也有所保证，因而成为目前目标检测的热门算法。2.5本章小结本章介绍了本课题所涉及到的相关理论基础，首先介绍了人工神经网络基本原理和结构，然后对卷积神经网络基本原理和结构进行分析，包括卷积层、池化层、全连接层、激活函数等，接着介绍了卷积神经网络的训练方法，分为前向传播和反向传播，通过介绍梯度下降法引出反向传播，并针对各层逐层分析其反向传播更新参数的方法，最后介绍了两个经典的基于卷积神经网络的网络模型。1.Inputimage2.ExtractregionProposals(~2k)3.ComputeCNNfeaturess4.Classifyregions
30图3.6目标框聚类效果图(a)原聚类方法检测结果(b)本节聚类方法检测结果图3.7检测框检测效果对比3.4非极大抑制的设计非极大抑制算法(NMS)[52]是物体检测过程中的重要组成部分，作为输出结果前的最后一个步骤，它的作用是选定适合的检测框并抑制冗余的检测窗口，其本质就是一种聚类方法，输出的结果为每一类的聚类中心。本节旨在于即便场景复杂目标微小，如若预测框框出人脸，则需要检测结果中不出现遗漏，提高模型的检测精度。传统的非极大抑制首先根据目标的检测分数生成检测框集合B，在B中选择出置信度最高的检测框M，并最终放入检测结果的集合D中，并将余下与M有明显重叠的检测框ib从集合B中移除，通过此过程遍历所有检测目标，即为非极大抑制的任务。计算公式如式(3-10)所示。非极大抑制目前大量用于目标检测任务中，但由于其设定了重叠阈值tN，同时将大于其重叠阈值的邻检测框的置信度强制归零，这使得若其他
【参考文献】：
期刊论文
[1]人脸检测技术综述[J]. 游清清,谌海云,骆俊,王小怡. 无线互联科技. 2017(10)
[2]基于DPM模型的静态人脸检测[J]. 钱玉洁,王玉德,冯玮,李圆圆,张肖肖. 电子技术. 2016(03)
[3]一种复杂背景中的人脸检测与验证方法[J]. 章品正,赵洪玉,梁晓云,舒华忠,徐琴珍. 数据采集与处理. 2004(01)
硕士论文
[1]基于深度视感知学习的目标检测算法与应用研究[D]. 张亚超.兰州理工大学 2018
[2]复杂条件下人脸检测方法研究与实现[D]. 梅真卿.电子科技大学 2018
本文编号：2954887
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/2954887.html
