基于改进损失函数的YOLOV3的人脸检测

发布时间：2021-07-30 17:21

　　人脸检测技术是人脸识别技术的前置步骤,一直受到人们的重视。近年来随着深度学习的发展,人脸检测技术作为计算机视觉的一个重要研究方向也有了很大的进步。人脸检测受复杂环境以及表情、遮挡、姿势变化等因素的影响,检测精度和速度往往不能达到预期目标。YOLOv3网络是一种非常优秀的目标检测算法,它既能够达到检测的实时性要求,又能够得到较好的检测精度。针对YOLOv3检测存在的漏检误检问题,本文提出了一种基于改进损失函数的YOLOv3人脸检测算法。首先,通过K均值聚类算法得到9个适合人脸数据集的先验框;然后,提出应用了一种新的边界框回归损失函数广义交并比和平衡YOLOv3单步法正负样本不平衡的焦点损失作为置信度函数来提高检测的精度;最后,用残差块改进网络最后的目标检测层。在Wider Face人脸数据库上对改进的YOLOv3的模型进行训练和测试,实验结果表明,本文提出的基于改进损失函数YOLOv3的人脸检测方法比原方法更加优秀,所做的改进是可行有效的。 

【文章来源】：南昌大学江西省 211工程院校

【文章页数】：54 页

【学位级别】：硕士

【部分图文】：

图１．２检测算法对比数据？??ＹＯＬＯｖ３算法己经获得了极大的成果，比其他的检测网络更加优秀，但是它??仍然有不少缺点，在检测时仍然会存在漏检还有定位错误等问题，在高速检测的??同时检测的精度仍然不够高

、Ｙ０Ｌ０ｖ３网络。然后将这些深度学习的检测算法应用到人脸检??测。本章将详细介绍Ｙ０Ｌ０ｖ３网络所使用的残差网络、边框回归、交并比以及??Ｄａｒｋｎｅｔ５３?网络。??２．?１卷积神经网络??卷积神经网络（ＣＮＮ）是多层级的神经网络，在上世纪的９０年代，ＬｅＣｕｎ??等人＿确定了?ＣＮＮ网络的结构，并且对网络的结构加以完善。他们提出了叫做??ＬｅＮｅｔ－５的多层神经网络，这种神经网络能够分类手写的数字，网络可以使用??ＢＰ（ｂａｃｋｐｒ〇Ｐａｇａｔｉ〇ｎ）算法进行训练，网络结构如图２．１所示。卷积神经网络可以??得到原始图像的有效表征。它具有权值共享、局部连接等优点，是一种特殊的前??馈神经网络。它相较于传统的图像处理算法的特殊之处就是它不用进行图像预处??理过程，特别是那些需要靠人工参与的图像预处理过程，也就是说卷积神经网络??直接对输入的原始图像进行一系列工作。??Ｃ３：?ｆ，?ｍａｐｓ１６＠１０ｘ１０??ＩＮＰＵＴ?６？２ＳｅｍａＰＳ?Ｓ４１ｍ?〒拳??３２ｘ３２??丨?工；ｖ，??Ｉ?Ｇａｕｓｓｉａｎ?ｃｏｎｎｅｃｔｉｏｎｓ??Ｃｏｎｖｏｌｕｔｉｏｎｓ?Ｓｕｂｓａｍｐｉｉｎｇ?Ｃｏｎｖｏｌｕｔｉｏｎｓ?Ｓｕｂｓａｍｐｌｉｎｇ?Ｆｕｌｌ?ｃｏｉｎｅｃｔｉｏｎ??图２．?１?ＬｅＮｅｔ－５网络结构??２．１．１卷积神经网络概述??卷积祌经网络主要有卷积层和池化层与全连接层和激活函数组成。??８??

?２基于深度学习的人脸检测概述???速度，最终直接使用神经网络来输出边框回归（ｂｏｕｎｄｉｎｇｂｏｘ，?ｂｂｏｘ）的位置和??所属类别。??ＹＯＬＯ算法是直接把整张图片用来进行检测的，因此它可以编码全局信息，??能够减少将背景检测为目标的错误。ＹＯＬＯ算法的泛化能力非常强，也能够迁移??到其他领域里去。??ＹＯＬＯ检测过程如下图２．５所示：??Ｆ?Ｈ?２．?Ｒｕｎ?ｃｏｎｖｏｌｕｔｉｏｎａｌ?ｎｅｔｗｏｒｋ．?？?ｔｆ??Ｉ?３．?Ｎｏｎ－ｍａｘ?ｓｕｐｐｒｅｓｓｉｏｎ．?Ｌ＿—＿＿＿＿＿＿＿??图２．?５?ＹＯＬＯ检测流程??ＹＯＬＯ算法直接通过端到端的来进行目标的检测，它使用单一的卷积神经网??络来实现传统的目标检测的过程，然后使用卷积神经网络来直接回归得到目标的??坐标位置。算法的做法如下图２．６所示：??．１邏Ｈ??｜?Ｖｉ—：??雙舞－．．．．．－十－一上———二一—?ｗ??????????１?１?????；．ｉ???：???１１?１＂??图２．?６?Ｙ０Ｌ０具体检测过程??ＹＯＬＯ将输入的图片分成ＳＸＳ个单元格，如果待检测图片屮物体的中心点??在某个单元格中，那么这个单元格就负责对这个物体进行检测。每一个单元格都??１３??

【参考文献】：
期刊论文
[1]改进的YOLO V3算法及其在小目标检测中的应用[J]. 鞠默然,罗海波,王仲博,何淼,常铮,惠斌.  光学学报. 2019(07)

硕士论文
[1]基于深度学习的人脸图像超分辨率重建[D]. 史鹏涛.南昌大学 2019
[2]基于深度学习的人脸检测和识别方法研究[D]. 刘婧月.电子科技大学 2018



本文编号：3311814