遮擋人臉檢測(cè)是當(dāng)前人臉檢測(cè)面臨的最主要問(wèn)題之一.人工智能時(shí)代,人臉檢測(cè)作為圖像處理與計(jì)算機(jī)視覺(jué)領(lǐng)域的重要研究方向得到廣泛應(yīng)用,而具體復(fù)雜的實(shí)際應(yīng)用場(chǎng)景對(duì)其算法的要求也在不斷提高.本文對(duì)彩色圖像中的人臉檢測(cè)算法進(jìn)行了深入研究,并提出一種基于局部非線性特征融合的遮擋人臉檢測(cè)算法.LNFF-Net（Locally Nonlin-ear Feature Fusion-based Network）分為候選區(qū)域生成和候選區(qū)域判別兩個(gè)階段,主要處理了以下問(wèn)題:（1）利用預(yù)訓(xùn)練模型提取網(wǎng)絡(luò)學(xué)習(xí)特征,解決遮擋人臉訓(xùn)練數(shù)據(jù)不足的問(wèn)題;（2）引入GBVS模型計(jì)算視覺(jué)顯著圖,提出利用傳統(tǒng)底層視覺(jué)特征修正網(wǎng)絡(luò)特征圖上的分類得分,解決遮擋人臉候選區(qū)域漏檢誤檢的問(wèn)題;（3）提出一種新的非線性融合方法,抑制背景區(qū)域的同時(shí)增強(qiáng)人臉區(qū)域的特征表達(dá)能力,解決特征融合策略單一的問(wèn)題;（4）引入并調(diào)整Fast R-CNN模型,一次性提取所有區(qū)域特征,減少時(shí)間復(fù)雜度的同時(shí)提高遮擋人臉特征的魯棒性,解決傳統(tǒng)候選區(qū)域判別算法反復(fù)提取特征的問(wèn)題.本文實(shí)驗(yàn)使用了現(xiàn)實(shí)應(yīng)用場(chǎng)景的MAFA和COFW公開(kāi)遮擋人臉數(shù)據(jù)集,結(jié)果證明:LNFF-Ne... 

【文章來(lái)源】：內(nèi)蒙古大學(xué)內(nèi)蒙古自治區(qū) 211工程院校

【文章頁(yè)數(shù)】：59 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖１－１遮擋人驗(yàn)檢測(cè)的應(yīng)用事例??Ｆｉｇｕｒｅ?１－１?Ａｐｐｌｉｃａｔｉｏｎ?ｅｘａｍｐｌｅｓ?ｏｆ?ｍａｓｋｅｄ?ｆａｃｅ?ｄｅｔｅｃｔｉｏｎ．??

測(cè)領(lǐng)域沿著“由粗到細(xì)”（“ｃｏａｒｓｅ－ｔｏ－ｆｉｎｅ”）和“一步??到位”（“ｃｏｍｐｌｅｔｅ?ｉｎ?ｏｎｅ?ｓｔｅｐ”）的兩種思路ｐＧ］，以前所未有的速度迅猛發(fā)展？本節(jié)??首先介紹了關(guān)于卷積神經(jīng)網(wǎng)絡(luò)的預(yù)備知識(shí)，再延續(xù)上一節(jié)“由粗到細(xì)”的討論，以??ＭＴＣＮＮ模型為例展開(kāi)分析．??§２．２．１卷積神經(jīng)網(wǎng)絡(luò)??卷積神經(jīng)網(wǎng)絡(luò)（Ｃｏｎｖｏｌｕｔｉｏｎａｌ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ）．．基本結(jié)構(gòu)包括輸人層，卷積層，池??化層，全連接層和輸出層，如經(jīng)典的ＬｅＮｅｔｊ２１：１，其網(wǎng)絡(luò)結(jié)構(gòu)如圖２－３所示．??Ｃ３：ｆ．?ｍａｐｓ?１６＠１０ｘｌ０??ＩＮＰＵＴ?ＣＬｆｅａｔｕｒｅ?ｍａｐｓ?＿§５：￡?＾＾ｃｌ＾ａｙｅｒ??３２ｘ３２?馨祕(mì)?Ｓ２：ｆ．?ｍａｐｓ＾＾Ｌ?ｆｃ＾ｌ２０?Ｆ６：ｌａｙｅｒ?ＯＵＴＰＵＴ??「■?Ｉ?■?Ｉ?｜?Ｇａｕｓｓｉａｎ??｜?＂?Ｉ?Ｉ?Ｆｕｌｌ?ｃｏｎｎｅｃｔｉｏｎ?ｃｏｎｎｅｃｔｉｏｎｓ??Ｃｏｎｖｏｌｕｔｉｏｎｓ?Ｓｕｂｓａｍｐｌｉｎｇ?Ｃｏｎｖｏｌｕｔｉｏｎｓ?Ｓｕｂｓａｍｐｌｉｎｇ?Ｆｕｌｌ?ｃｏｎｎｅｃｔｉｏｎ??圖２－３?Ｌｅｎｅｔ－５網(wǎng)絡(luò)結(jié)構(gòu)圖??Ｆｉｇｕｒｅ?２－３?Ａｒｃｈｉｔｅｃｔｕｒｅ?ｏｆ?ＬｅＮｅｔ－５．??ｉ?？卷積層??卷積層主要用于特征提取，旦屋數(shù)越深提取的特征越抽象．??ｎ??Ａ?＝?，（２（ｘｉ?？?岣？／）?＋?ｂ）＿?（２－Ｄ??ｉ＝ｌ??其中？七表示輸人信號(hào)，，ｎ個(gè)輸人信號(hào)同時(shí)輸入神經(jīng)元上＜ｇ）表示卷積操作．％表??元輸入憤號(hào)力與神經(jīng)元）相連的權(quán)重值，＼為偏置值，＆為神經(jīng)元的輸出．輸??出，其中ｈ和Ｗ為空間尺寸，稱二維數(shù)據(jù)，

ｌｙ?ｃｏｎｖｏｌｕｔｉｏｎａｌ?ｎｅｔｗｏｒｋ，?ＦＣＮ）［２２］．其輸出為圖數(shù)??據(jù)類型（１，?＆?２?１），且經(jīng)激活函數(shù)圖像像素值范圍為［０，１］，于是ＦＣＮ的輸出??即可稱為特征圈叉可稱為熱圖（ｈｅａｔ－ｍａｐ）．??２．池化層??池化層主要用于降釆樣．基本的池化操作有最人池化和平均池化，如圖２－４所??示以２?ｘ?２范圍中的最太像素值或乎均值代替該區(qū)域．??Ｍａｘ－ｐｏｏｌｉｎｇ??ｍｏ＼２?３?４４－??Ｕ?２ｉ３｜４｜?ｙｙ??Ａｖｅｒａｇｅ－ｐｏｏｌｉｎｇ??圖２４池化示意圖??Ｆｉｇｕｒｅ?２－４?Ｅｘａｍｐｌｅ?ｏｆ?ｐｏｏｌｉｎｇ．??３．全連接＆??全連接層整合了卷積層或者池化層中具有類別Ｋ分性的局部信息．特別地，全??連接層根據(jù)任務(wù)進(jìn)行設(shè)計(jì)，一旦全連接層周定，網(wǎng)絡(luò)的輸人圖像尺寸也將固定．??４．網(wǎng)絡(luò)學(xué)習(xí)過(guò)程??卷機(jī)神經(jīng)網(wǎng)絡(luò)模型屬于機(jī)器孛習(xí)算法，其學(xué)習(xí)過(guò)程即最小化損失函數(shù)更新網(wǎng)??絡(luò)參數(shù)的過(guò)程．??Ｎ??浐＝ａｒｇｍｉｎ?士?２?辦，／（Ｉ／４））?＋?義．續(xù)）?（２－３）??／＝１??模型分為訓(xùn)練階段和測(cè)試階段，式２－３中Ｘ，＿為訓(xùn)練樣本，七為訓(xùn)練標(biāo)簽．為了??更形象地描述祌經(jīng)網(wǎng)絡(luò)，／（Ｘｆ；⑴又稱為像息的前向傳播過(guò)程，對(duì)應(yīng)地，求解此優(yōu)??—８?—??

【參考文獻(xiàn)】：
期刊論文
[1]遮擋條件下實(shí)時(shí)人臉檢測(cè)[J]. 蔣嬋,黃晁,陳春燕.  傳感器與微系統(tǒng). 2019(02)
[2]基于YOLO與改進(jìn)的DLIB多角度遮擋人臉判別方法[J]. 咼紅娟,石躍祥,成潔.  計(jì)算技術(shù)與自動(dòng)化. 2018(04)
[3]基于卷積神經(jīng)網(wǎng)絡(luò)級(jí)聯(lián)的蒙面人臉檢測(cè)算法[J]. 卜偉,肖江劍,周傳宏,康齊正,吳寶國(guó),龔迪軍.  計(jì)量與測(cè)試技術(shù). 2018(10)



本文編號(hào)：3131590