基于改进型SSD网络的人脸检测
发布时间：2021-08-20 15:25
随着深度学习技术的快速发展,人脸检测技术取得很大的进展,成为近年来计算机视觉领域中的一个研究热点。然而,人脸检测易受到尺度变化、光照变化、遮挡方面等因素的影响,使得人脸检测精度降低。与传统检测方法相比,SSD（Single Shot MultiBox Detector）网络检测方法具有高效的检测速度和较好的检测效果,但是也存在一些不足之处。因此本文提出基于改进的SSD网络的人脸检测方法,在检测精度和检测速度方面都取得了良好的效果。本文主要研究工作有如下两个方面:（1）针对在多尺度等环境下的人脸检测,传统的SSD网络的检测效果存在漏检和误检问题,提出基于深度残差网络（ResNeXt）的SSD网络,基础网络用ResNeXt-50网络替换原来的VGG16网络,使用ResNeXt-50网络结构不仅可以降低网络训练难度还可以减少特征提取的冗余度,不断增强人脸特征表达能力,进一步提高人脸检测精度。最后在WiderFace验证集上的实验结果,表明了基于ResNeXt网络的SSD网络能提高检测精度。（2）为了解决SSD网络的小人脸检测精度问题,提出一种基于特征融合方法的SSD网络。首先对高层的特征图使...
【文章来源】：南昌大学江西省 211工程院校
【文章页数】：64 页
【学位级别】：硕士
【图文】：
图２．１深度学习发展历程??第一代神经网络（１９５８－１９６９）：神经网络最早起源于１９４３年的多层感知器??
个步骤。第一步是通过滤波器的尺寸作为滑动窗口的尺寸，用滑动窗??口从输入图像数据中选定某一区域；第二步是在卷积核运动期间将图像上的每??个像素乘以与卷积核相对应的权重，然后将所有乘积相加以获得最终输出，如图??２．２所示。??Ｉｎｐｕｔ?５ｘ５??＿＿１＿＿１?°?Ｑ?Ｆｉｌｔｅｒ?３ｘ３?Ｏｕｔｐｕｔ?３ｘ３??０?１１１０?１０１??０?０?Ｊ．＿＿１＿＿＾?０?１?０?：?４??０?０?１１０?１０?１??０?１１０?０?Ｂｉａｓ＝ｏ??ｉ??图２．２卷积运算操作??池化层也可称为下采样层，其本质是对数据图像特征进行向下采样。池化层??卷积运算后的结果是输出数据图像中的特征图特定区域的最大值或￥均值。在??卷积操作中，由于卷积核很小导致原始图像上进行卷积后图像仍然很大。因此，??使用池化层可以对数据降维，防止过拟合。在实际卷积网络编程中，用到的池化??方法比较多，例如有最大池化、平均池化、重叠池化和空间金字塔池化等。但是，??最常用的使用方法是最大池化方法和平均池化方法。??全连接层是指两个相邻网络层的神经元之间以全连接的方式进行连接，目??的是为了整合多个特征信息，从上层获得类别区分并将其映射其成为特征向量。??在卷积神经网络的结构中，经过多个卷积层和池化层后，连接一个或多个全连接??层，用来结合先前网络层中提取到的特征。但是，这种全连接方式存在缺点，最??后一步直接特征映射可能会破坏图像的空间结构。因此，最近研宄人员提出使用??更小的卷积层代替全连接层，并且基本在神经网络结果中使用１Ｘ１卷积核。??激活函数层是在卷积神经网络上运行的函数，作用是将卷积层的输入映射??到输出。
?第２章基于深度学习的人脸检测概述???２．深度残差网络（ＲｅｓＮｅｔ）??随着网络层数的增加，网络模型精度会不断提高。但当网络层数增加到一定??数量时，训练精度和测试精度会表现出迅速下降，因此当网络变得非常深时，卷??积神经网络变得更加难以训练。针对这些问题，Ｈｅ等人在２０１５年提出了?ＲｅｓＮｅｔ??网络［４６］，并且获得了?ＩＬＳＶＲＣ－２０１５分类竞赛冠军。ＲｅｓＮｅｔ网络参数结构，深度??可达到１５２层，一般使用５０或者１０１层，如图２．３所示。ＲｅｓＮｅｔ网络主要引入??了残差学习单元，其核心思想是引入一个的恒等快捷连接（Ｉｄｅｎｔｉｔｙ?Ｓｈｏｒｔｃｕｔ??Ｃｏｎｎｅｃｔｉｏｎ），直接跳过一个或多个层，结构如图２．４所示，具体残差结构构造如??图２．５所示。??．１＇．?．？：?＞?－ｕｉｉｍｌ?Ｍ／ｔ＊?ｊ?１Ｋ－Ｉａ＞Ｉ?，４?１ａ＼ｉ＊ｉ?ｌ．ｉ＼?＾?ｉ?Ｉ＇Ｍ?ｌＹｌ．ｉｙｒ??ｃｏｎｖ?１?１１２－１１２?ｖｉｉｕｉｃ?＾??＇?＾?ｍａｘ?ｐＨ？ｌ?Ｍｉｕｋ＊?２??〇．＜ｎ２ｘ?Ｖ－．Ｓｆ，?ｍ?二＂」“?，［．?ｆ?１?：?ｍ??，?－２?１?、，．．？：．＊?■；?．，．、?．?．Ｖ?Ｍ?＊?＾?３?？?Ｖ?＜、４?；??、＿?‘，’、．、?［?Ｉ?＊?１．?２５６?＾?１?？?Ｊ?ｌ?？?１．２５ｈ??卜１?Ｉ〉?ｆ?！?■丨．ｉ：Ｓ?？卜丨．丨Ｊｓ?’??ｔｏｍｒｘ?２Ｋ?／?，、２?．?＇?＇?４?３－３．?１２８?＊４?Ｖ．?Ｘ?１２８?＜４?ＨＩ?２８?Ｋ??－?’．丨＊＞?［?１－１．５１２」?［ｈ?Ｉ．Ｍ２?ｊ?Ｉ?？?＼．＾＼：??
【参考文献】：
期刊论文
[1]基于多特征Mean Shift的人脸跟踪算法[J]. 张涛,蔡灿辉. 电子与信息学报. 2009(08)
[2]基于HMM的面部表情图像序列的分析与识别[J]. 金辉,高文. 自动化学报. 2002(04)
[3]基于模板匹配与支持矢量机的人脸检测[J]. 梁路宏,艾海舟,肖习攀,叶航军,徐光祐,张钹. 计算机学报. 2002(01)
[4]人脸识别技术综述[J]. 张翠平,苏光大. 中国图象图形学报. 2000(11)
本文编号：3353747
【文章来源】：南昌大学江西省 211工程院校
【文章页数】：64 页
【学位级别】：硕士
【图文】：
图２．１深度学习发展历程??第一代神经网络（１９５８－１９６９）：神经网络最早起源于１９４３年的多层感知器??
个步骤。第一步是通过滤波器的尺寸作为滑动窗口的尺寸，用滑动窗??口从输入图像数据中选定某一区域；第二步是在卷积核运动期间将图像上的每??个像素乘以与卷积核相对应的权重，然后将所有乘积相加以获得最终输出，如图??２．２所示。??Ｉｎｐｕｔ?５ｘ５??＿＿１＿＿１?°?Ｑ?Ｆｉｌｔｅｒ?３ｘ３?Ｏｕｔｐｕｔ?３ｘ３??０?１１１０?１０１??０?０?Ｊ．＿＿１＿＿＾?０?１?０?：?４??０?０?１１０?１０?１??０?１１０?０?Ｂｉａｓ＝ｏ??ｉ??图２．２卷积运算操作??池化层也可称为下采样层，其本质是对数据图像特征进行向下采样。池化层??卷积运算后的结果是输出数据图像中的特征图特定区域的最大值或￥均值。在??卷积操作中，由于卷积核很小导致原始图像上进行卷积后图像仍然很大。因此，??使用池化层可以对数据降维，防止过拟合。在实际卷积网络编程中，用到的池化??方法比较多，例如有最大池化、平均池化、重叠池化和空间金字塔池化等。但是，??最常用的使用方法是最大池化方法和平均池化方法。??全连接层是指两个相邻网络层的神经元之间以全连接的方式进行连接，目??的是为了整合多个特征信息，从上层获得类别区分并将其映射其成为特征向量。??在卷积神经网络的结构中，经过多个卷积层和池化层后，连接一个或多个全连接??层，用来结合先前网络层中提取到的特征。但是，这种全连接方式存在缺点，最??后一步直接特征映射可能会破坏图像的空间结构。因此，最近研宄人员提出使用??更小的卷积层代替全连接层，并且基本在神经网络结果中使用１Ｘ１卷积核。??激活函数层是在卷积神经网络上运行的函数，作用是将卷积层的输入映射??到输出。
?第２章基于深度学习的人脸检测概述???２．深度残差网络（ＲｅｓＮｅｔ）??随着网络层数的增加，网络模型精度会不断提高。但当网络层数增加到一定??数量时，训练精度和测试精度会表现出迅速下降，因此当网络变得非常深时，卷??积神经网络变得更加难以训练。针对这些问题，Ｈｅ等人在２０１５年提出了?ＲｅｓＮｅｔ??网络［４６］，并且获得了?ＩＬＳＶＲＣ－２０１５分类竞赛冠军。ＲｅｓＮｅｔ网络参数结构，深度??可达到１５２层，一般使用５０或者１０１层，如图２．３所示。ＲｅｓＮｅｔ网络主要引入??了残差学习单元，其核心思想是引入一个的恒等快捷连接（Ｉｄｅｎｔｉｔｙ?Ｓｈｏｒｔｃｕｔ??Ｃｏｎｎｅｃｔｉｏｎ），直接跳过一个或多个层，结构如图２．４所示，具体残差结构构造如??图２．５所示。??．１＇．?．？：?＞?－ｕｉｉｍｌ?Ｍ／ｔ＊?ｊ?１Ｋ－Ｉａ＞Ｉ?，４?１ａ＼ｉ＊ｉ?ｌ．ｉ＼?＾?ｉ?Ｉ＇Ｍ?ｌＹｌ．ｉｙｒ??ｃｏｎｖ?１?１１２－１１２?ｖｉｉｕｉｃ?＾??＇?＾?ｍａｘ?ｐＨ？ｌ?Ｍｉｕｋ＊?２??〇．＜ｎ２ｘ?Ｖ－．Ｓｆ，?ｍ?二＂」“?，［．?ｆ?１?：?ｍ??，?－２?１?、，．．？：．＊?■；?．，．、?．?．Ｖ?Ｍ?＊?＾?３?？?Ｖ?＜、４?；??、＿?‘，’、．、?［?Ｉ?＊?１．?２５６?＾?１?？?Ｊ?ｌ?？?１．２５ｈ??卜１?Ｉ〉?ｆ?！?■丨．ｉ：Ｓ?？卜丨．丨Ｊｓ?’??ｔｏｍｒｘ?２Ｋ?／?，、２?．?＇?＇?４?３－３．?１２８?＊４?Ｖ．?Ｘ?１２８?＜４?ＨＩ?２８?Ｋ??－?’．丨＊＞?［?１－１．５１２」?［ｈ?Ｉ．Ｍ２?ｊ?Ｉ?？?＼．＾＼：??
【参考文献】：
期刊论文
[1]基于多特征Mean Shift的人脸跟踪算法[J]. 张涛,蔡灿辉. 电子与信息学报. 2009(08)
[2]基于HMM的面部表情图像序列的分析与识别[J]. 金辉,高文. 自动化学报. 2002(04)
[3]基于模板匹配与支持矢量机的人脸检测[J]. 梁路宏,艾海舟,肖习攀,叶航军,徐光祐,张钹. 计算机学报. 2002(01)
[4]人脸识别技术综述[J]. 张翠平,苏光大. 中国图象图形学报. 2000(11)
本文编号：3353747
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3353747.html
