基于级联卷积神经网络的高密度人脸检测算法研究
发布时间：2021-11-20 02:12
随着计算机视觉技术的不断发展,人们对于图像处理的需求已经逐渐从拍摄、录影、播放等记录性需求,发展为分类、检测、识别、分割等智能化的需求。在这个基础上,大量的计算机视觉任务和功能被不断的提升和拓展。人脸作为近年来最为火热的计算机视觉研究对象,吸引了大量相关的研究和工作,包括:人脸检测、人脸识别、3D人脸重建、人脸合成、人脸跟踪等。其中,作为人脸相关应用的前置步骤,人脸检测更是其中最受重视的问题之一。尽管人脸的检测与分析等技术已经发展多年,但仍然是计算机视觉领域中一个极具挑战性的问题。其中最主要的原因在于,随着人脸相关的应用逐渐的从配合式的方案转移到非配合式的方案,从单一人脸的串行方案转移到高密度人脸的并行方案,对于人脸检测技术的要求也逐渐增加。受制于环境、光照、遮挡、姿态等因素,在高密度的场景下,人脸检测的难度大大的提升了。此外,移动便携设备对人脸检测的需求日趋增加,受制于移动便携设备计算资源的局限性,这就要求人脸检测模型尽可能的轻量化。相较于单一复杂网络,级联卷积神经网络能够高效的解决人脸检测正负样本不平衡问题,通过前期轻量化网络快速剔除背景,大大缩短检测用时。但其在高密度无约束场景下...
【文章来源】：华中师范大学湖北省 211工程院校 教育部直属院校
【文章页数】：61 页
【学位级别】：硕士
【部分图文】：
图２．１人类神经元模型与神经网络模型??８??
？硕士学位论文??ＭＡＳＴＥＲ’Ｓ?ＴＨＥＳＩＳ??一般的，对于如图２．１右侧所展示的典型神经网路模型，取其第一个隐藏层的??第一个节点分析，其输入输出可表示为：??ｎ??ｙ，＝ＳＣ＾＾，ｘ，＋ｂ＼）?公式（２．１）??／＝１??此处，ｑ为对于每个输入的权重，ｈ为整个节点的偏置项，５为非线性激活??函数。通过这样的一个个非线性单元，随着网络层数的加深，其网络的拟合能力??逐渐增强，并通过反向传播算法进行参数的优化，使得网络能够通过不断的迭代??达到一个较优的拟合函数来处理复杂的情景变化。??上述的模型中，每一个隐藏层的节点都需要和上一层的所有节点相连接，这??样的隐藏层被称为全连接层。全连接层的结构在网络不断加深时，计算量的增长??是极大地，使得这种完全的全连接方案很难被使用到网络的设计中。另一方面，??在如分类、检测等任务中，我们的目标对象在整个图像中往往只占据图像中的一??小部分。因此，基于全连接式的网络搭建方式就显得有些过于冗余。基于这种现??象，卷积神经网络被提出用以取代全连接神经网络被用在大量的计算机视觉问题??中。如图２－２所示，左侧的全连接模式的神经网络在处理图像的部分问题时，存在??着大量的冗余计算，而卷积神经网络通过局部连接的方式，显著降低的所需要的??计算量。通过网络层数的加深和池化层的加入，来实现感受野的增大，实现了对??图像中的特征进行提龋此外，卷积神经网络的另外一个特点就是权值共享。对??于每一个特定的卷积核，都会在整张图像中进行特征提取，不因为位置的变化而??变换卷积核的参数，这种方式不但显著降低了计算量，大大降低了网络的训练难??度，也为卷积神经网络带来了一定的平移不变性。??全
？硕士学位论文??ＭＡＳＴＥＲ＇Ｓ?ＴＨＥＳＩＳ??图２－３是由ＬｅＣｕｎ等人在１９９８年提出的－？个经典的卷积神经网络模型ＬｅＮｅｔ－??５。ＬｅＮｅｔ－５作为神经网络设计最为经典的范式之一，通过卷积神经网络来进行特征??提取，然后通过全连接层进行分类，在ＭＮ１ＳＴ数据集上实现了?９８％的准确率，并??因此被广泛是用在了支票识别的领域中。??Ｃｊ?Ｓ｜?Ｃｉ?Ｓ：?ｃｉ）?＊；??（ｒｍ？ｔ?ｉｅｍｓｃ?ａｍｐ％?Ｕｍｘｉｔｅ?ｏｕｔｊｍｔ??＾?—一?Ｈ?Ｈ、￥?、??ｃｏｎｖｏｌｕｆｔｏｏ?、?＆丨?ｃｏｎ％ｘ＞ｈ？ｔＫ？?＊—－Ｊ?２ｘ２?、、?＼??＼?ｃｃ＾ａｔｃｉｆ＾?、??ｆｅａｎｕｃ?ｅｘｔｒａｃｔｉｏｎ?ｃｌａｓｓｉｆｉｃａｔｉｏｎ??額Ｚｌｉ取?分銳弓！１??图２－３?ＬｅＮｅｔ－５卷积神经网络结构图??２．３人脸检测的相关算法??（１）级联式人脸检测算法??２４－ｎｅｔ??１２－ｎｅｔ?？?＊？??？?＊－?？?Ｉｎｐｕｔ?Ｃｏｎｖｏｌｕｔｉｏｎａｌ?Ｍａｘ－ｐｏｏｌｉｎｇ?Ｆｕｌｌｙ－ｃｏｎｎｅｃｔｅｄ?Ｌａｂｅｌｓ??Ｉｎｐｕｔ?Ｃｏｎｖｏｌｕｔｉｏｎａｌ?Ｍａｘ－ｐｏｏｌｉｎｇ?Ｆｕｌｌｙ－ｃｏｎｎｅｃｔｅｄ?．?Ｉｍａｇｅ?ｌａｙｅｒ?门??：ｌｍａｇ？?ｌａｙｅｒ?ｌａｙｅｒ?ｌａｙｅｒ?！＿！?：?：?￣?＾?＾?Ｖ?＾?：??ｉ?ａＬ＞ｒｉ＾＾＾［Ｘ?＾?－Ｉ?；??ＹＸ?ｔｘＪ?；?３?ｃｈａｎｎｅｌｓ?６４?５ｘ５?ｆｉｌｔｅｒ＊?３ｘ３?ｋｅｒｎｅｌ?１２８?ｏｕｔｐｕｔ＊?ｆ？〇？／ｎｗｖｆａｃ？?：??：３?ｃｈ
本文编号：3506354
【文章来源】：华中师范大学湖北省 211工程院校 教育部直属院校
【文章页数】：61 页
【学位级别】：硕士
【部分图文】：
图２．１人类神经元模型与神经网络模型??８??
？硕士学位论文??ＭＡＳＴＥＲ’Ｓ?ＴＨＥＳＩＳ??一般的，对于如图２．１右侧所展示的典型神经网路模型，取其第一个隐藏层的??第一个节点分析，其输入输出可表示为：??ｎ??ｙ，＝ＳＣ＾＾，ｘ，＋ｂ＼）?公式（２．１）??／＝１??此处，ｑ为对于每个输入的权重，ｈ为整个节点的偏置项，５为非线性激活??函数。通过这样的一个个非线性单元，随着网络层数的加深，其网络的拟合能力??逐渐增强，并通过反向传播算法进行参数的优化，使得网络能够通过不断的迭代??达到一个较优的拟合函数来处理复杂的情景变化。??上述的模型中，每一个隐藏层的节点都需要和上一层的所有节点相连接，这??样的隐藏层被称为全连接层。全连接层的结构在网络不断加深时，计算量的增长??是极大地，使得这种完全的全连接方案很难被使用到网络的设计中。另一方面，??在如分类、检测等任务中，我们的目标对象在整个图像中往往只占据图像中的一??小部分。因此，基于全连接式的网络搭建方式就显得有些过于冗余。基于这种现??象，卷积神经网络被提出用以取代全连接神经网络被用在大量的计算机视觉问题??中。如图２－２所示，左侧的全连接模式的神经网络在处理图像的部分问题时，存在??着大量的冗余计算，而卷积神经网络通过局部连接的方式，显著降低的所需要的??计算量。通过网络层数的加深和池化层的加入，来实现感受野的增大，实现了对??图像中的特征进行提龋此外，卷积神经网络的另外一个特点就是权值共享。对??于每一个特定的卷积核，都会在整张图像中进行特征提取，不因为位置的变化而??变换卷积核的参数，这种方式不但显著降低了计算量，大大降低了网络的训练难??度，也为卷积神经网络带来了一定的平移不变性。??全
？硕士学位论文??ＭＡＳＴＥＲ＇Ｓ?ＴＨＥＳＩＳ??图２－３是由ＬｅＣｕｎ等人在１９９８年提出的－？个经典的卷积神经网络模型ＬｅＮｅｔ－??５。ＬｅＮｅｔ－５作为神经网络设计最为经典的范式之一，通过卷积神经网络来进行特征??提取，然后通过全连接层进行分类，在ＭＮ１ＳＴ数据集上实现了?９８％的准确率，并??因此被广泛是用在了支票识别的领域中。??Ｃｊ?Ｓ｜?Ｃｉ?Ｓ：?ｃｉ）?＊；??（ｒｍ？ｔ?ｉｅｍｓｃ?ａｍｐ％?Ｕｍｘｉｔｅ?ｏｕｔｊｍｔ??＾?—一?Ｈ?Ｈ、￥?、??ｃｏｎｖｏｌｕｆｔｏｏ?、?＆丨?ｃｏｎ％ｘ＞ｈ？ｔＫ？?＊—－Ｊ?２ｘ２?、、?＼??＼?ｃｃ＾ａｔｃｉｆ＾?、??ｆｅａｎｕｃ?ｅｘｔｒａｃｔｉｏｎ?ｃｌａｓｓｉｆｉｃａｔｉｏｎ??額Ｚｌｉ取?分銳弓！１??图２－３?ＬｅＮｅｔ－５卷积神经网络结构图??２．３人脸检测的相关算法??（１）级联式人脸检测算法??２４－ｎｅｔ??１２－ｎｅｔ?？?＊？??？?＊－?？?Ｉｎｐｕｔ?Ｃｏｎｖｏｌｕｔｉｏｎａｌ?Ｍａｘ－ｐｏｏｌｉｎｇ?Ｆｕｌｌｙ－ｃｏｎｎｅｃｔｅｄ?Ｌａｂｅｌｓ??Ｉｎｐｕｔ?Ｃｏｎｖｏｌｕｔｉｏｎａｌ?Ｍａｘ－ｐｏｏｌｉｎｇ?Ｆｕｌｌｙ－ｃｏｎｎｅｃｔｅｄ?．?Ｉｍａｇｅ?ｌａｙｅｒ?门??：ｌｍａｇ？?ｌａｙｅｒ?ｌａｙｅｒ?ｌａｙｅｒ?！＿！?：?：?￣?＾?＾?Ｖ?＾?：??ｉ?ａＬ＞ｒｉ＾＾＾［Ｘ?＾?－Ｉ?；??ＹＸ?ｔｘＪ?；?３?ｃｈａｎｎｅｌｓ?６４?５ｘ５?ｆｉｌｔｅｒ＊?３ｘ３?ｋｅｒｎｅｌ?１２８?ｏｕｔｐｕｔ＊?ｆ？〇？／ｎｗｖｆａｃ？?：??：３?ｃｈ
本文编号：3506354
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3506354.html
