發(fā)布時間：2018-06-05 03:17

  本文選題：人臉檢測 + 深度學(xué)習(xí)��； 參考：《電子科技大學(xué)》2017年碩士論文

【摘要】：人臉檢測一直是計算機(jī)視覺的一個重要的研究領(lǐng)域。在過去幾年中,面部特征廣泛用于訪問控制、監(jiān)視系統(tǒng)和其他安全應(yīng)用。人臉檢測和識別是安全部門最受歡迎的研究項目之一。而面部遮擋、光照、極端人臉偏轉(zhuǎn)角度、低分辨率、縮放差異等問題使人臉檢測面臨著諸多的困難,并且在現(xiàn)實應(yīng)用中這些問題也是普遍存在的。許多早期的人臉檢測器已經(jīng)可以很好檢測正面的人臉圖像,然而對比較有挑戰(zhàn)性的人臉檢測數(shù)據(jù)集來說這些人臉檢測器的性能并不能滿足要求。本文在深度學(xué)習(xí)理論框架下就人臉檢測問題做了深入探討。通過對現(xiàn)有深度卷積網(wǎng)絡(luò)模型的分析和改進(jìn),提出了快速級聯(lián)卷積神經(jīng)網(wǎng)絡(luò)模型,并在WIDER FAC數(shù)據(jù)集上進(jìn)行驗證分析。主要內(nèi)容如下:1.通過研究并測試候選框算法和Faster R-CNN、聯(lián)合人臉檢測與定位的級聯(lián)卷積神經(jīng)網(wǎng)絡(luò)的優(yōu)缺點,選取對人臉檢測有益的候選框算法與感興趣區(qū)域檢測網(wǎng)絡(luò)模型,設(shè)計快速級聯(lián)卷積神經(jīng)網(wǎng)絡(luò)模型。2.采用級聯(lián)卷積神經(jīng)網(wǎng)絡(luò)卷積共享的訓(xùn)練和測試策略,使得卷積神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練和測試變得更加簡單,從而大大減小了級聯(lián)卷積神經(jīng)網(wǎng)絡(luò)的規(guī)模。由于卷積層的共享,使得級聯(lián)卷積神經(jīng)網(wǎng)絡(luò)可以達(dá)到端到端的優(yōu)化,從而提高級聯(lián)卷積神經(jīng)網(wǎng)絡(luò)的性能。3.由于候選框網(wǎng)絡(luò)和RoI檢測網(wǎng)絡(luò)共享卷積層,在候選框網(wǎng)絡(luò)和RoI檢測網(wǎng)絡(luò)中使用多層卷積層信息以處理較小的人臉區(qū)域。這就彌補(bǔ)了Faster R-CNN在較低分辨率和較小人臉檢測中的不足。同時,采用Leaky Re LU作為激活函數(shù)來提高網(wǎng)絡(luò)的檢測性能。4.從人類視覺系統(tǒng)中的直覺啟發(fā),快速級聯(lián)卷積神經(jīng)網(wǎng)絡(luò)允許通過身體信息和人臉關(guān)鍵點信息推理出人臉位置。本文通過人臉候選框在卷積特征圖中的位置推斷出身體特征的相對位置,采用Ro I池化和L2歸一化將身體信息與面部信息進(jìn)行融合,并在聯(lián)合損失中加入人臉關(guān)鍵點信息,從而使網(wǎng)絡(luò)具有使用身體和人臉關(guān)鍵點進(jìn)行人臉檢測的能力。通過對現(xiàn)有算法的改進(jìn),本文提出的快速級聯(lián)卷積神經(jīng)網(wǎng)絡(luò)人臉檢測算法在具有挑戰(zhàn)性的WIDER FACE數(shù)據(jù)集上達(dá)到了很好的檢測效果。
[Abstract]:Face detection has been an important research field in computer vision. Facial features have been widely used in access control, surveillance systems and other security applications over the past few years. Face detection and recognition is one of the most popular research projects in security department. The problems of face occlusion, illumination, extreme face deflection angle, low resolution and zoom difference make face detection difficult, and these problems are also common in practical applications. Many early face detectors have been able to detect positive face images well. However, the performance of these face detectors can not meet the requirements for more challenging face detection data sets. In this paper, the problem of face detection is discussed in depth learning theory. Based on the analysis and improvement of the existing deep convolution network model, a fast cascade convolution neural network model is proposed and verified on the WIDER FAC dataset. The main content is as follows: 1. By studying and testing the advantages and disadvantages of the concatenated convolution neural network based on Faster R-CNN and combining face detection and localization, the paper selects the candidate algorithm and the region of interest detection network model which are beneficial to face detection. Design a fast cascade convolution neural network model. 2. The training and testing strategy of cascaded convolution neural network is adopted, which makes the training and testing of the neural network model easier, thus greatly reducing the scale of cascaded convolution neural network. Because of the sharing of convolution layer, cascaded convolution neural network can be optimized and the performance of cascaded convolution neural network can be improved. Due to the shared convolution layer between the candidate network and the RoI detection network, multi-layer convolution layer information is used in the candidate network and RoI detection network to process small face regions. This makes up for the deficiency of Faster R-CNN in low resolution and small face detection. At the same time, Leaky Re LU is used as the activation function to improve the detection performance of the network. Inspired by intuition in human visual system, fast concatenated convolution neural network can infer the position of human face from body information and face key point information. In this paper, the relative position of body feature is inferred from the position of face candidate frame in convolutional feature map, and the body information is fused with facial information by Ro I pool and L2 normalization, and the key point information of face is added to the joint loss. So that the network has the ability to use the body and face key points for face detection. Through the improvement of the existing algorithms, the fast concatenated convolution neural network face detection algorithm proposed in this paper achieves a good result on the challenging WIDER FACE dataset.
【學(xué)位授予單位】：電子科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TP391.41;TP181

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 楊曉帥 ,付玫;神經(jīng)網(wǎng)絡(luò)技術(shù)讓管理更輕松[J];軟件世界;2000年11期

2 云中客;新的神經(jīng)網(wǎng)絡(luò)來自于仿生學(xué)[J];物理;2001年10期

3 唐春明,高協(xié)平;進(jìn)化神經(jīng)網(wǎng)絡(luò)的研究進(jìn)展[J];系統(tǒng)工程與電子技術(shù);2001年10期

4 李智;一種基于神經(jīng)網(wǎng)絡(luò)的煤炭調(diào)運(yùn)優(yōu)化方法[J];長沙鐵道學(xué)院學(xué)報;2003年02期

5 程科,王士同,楊靜宇;新型模糊形態(tài)神經(jīng)網(wǎng)絡(luò)及其應(yīng)用研究[J];計算機(jī)工程與應(yīng)用;2004年21期

6 王凡,孟立凡;關(guān)于使用神經(jīng)網(wǎng)絡(luò)推定操作者疲勞的研究[J];人類工效學(xué);2004年03期

7 周麗暉;從統(tǒng)計角度看神經(jīng)網(wǎng)絡(luò)[J];統(tǒng)計教育;2005年06期

8 趙奇 ,劉開第 ,龐彥軍;灰色補(bǔ)償神經(jīng)網(wǎng)絡(luò)及其應(yīng)用研究[J];微計算機(jī)信息;2005年14期

9 袁婷;;神經(jīng)網(wǎng)絡(luò)在股票市場預(yù)測中的應(yīng)用[J];軟件導(dǎo)刊;2006年05期

10 尚晉;楊有;;從神經(jīng)網(wǎng)絡(luò)的過去談科學(xué)發(fā)展觀[J];重慶三峽學(xué)院學(xué)報;2006年03期

相關(guān)會議論文 前10條

1 徐春玉;;基于泛集的神經(jīng)網(wǎng)絡(luò)的混沌性[A];1996中國控制與決策學(xué)術(shù)年會論文集[C];1996年

2 周樹德;王巖;孫增圻;孫富春;;量子神經(jīng)網(wǎng)絡(luò)[A];2003年中國智能自動化會議論文集（上冊）[C];2003年

3 羅山;張琳;范文新;;基于神經(jīng)網(wǎng)絡(luò)和簡單規(guī)劃的識別融合算法[A];2009系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)會議論文集[C];2009年

4 郭愛克;馬盡文;丁康;;序言(二)[A];1999年中國神經(jīng)網(wǎng)絡(luò)與信號處理學(xué)術(shù)會議論文集[C];1999年

5 鐘義信;;知識論:神經(jīng)網(wǎng)絡(luò)的新機(jī)遇——紀(jì)念中國神經(jīng)網(wǎng)絡(luò)10周年[A];1999年中國神經(jīng)網(wǎng)絡(luò)與信號處理學(xué)術(shù)會議論文集[C];1999年

6 許進(jìn);保錚;;神經(jīng)網(wǎng)絡(luò)與圖論[A];1999年中國神經(jīng)網(wǎng)絡(luò)與信號處理學(xué)術(shù)會議論文集[C];1999年

7 金龍;朱詩武;趙成志;陳寧;;數(shù)值預(yù)報產(chǎn)品的神經(jīng)網(wǎng)絡(luò)釋用預(yù)報應(yīng)用[A];1999年中國神經(jīng)網(wǎng)絡(luò)與信號處理學(xué)術(shù)會議論文集[C];1999年

8 田金亭;;神經(jīng)網(wǎng)絡(luò)在中學(xué)生創(chuàng)造力評估中的應(yīng)用[A];第十二屆全國心理學(xué)學(xué)術(shù)大會論文摘要集[C];2009年

9 唐墨;王科俊;;自發(fā)展神經(jīng)網(wǎng)絡(luò)的混沌特性研究[A];2009年中國智能自動化會議論文集（第七分冊）[南京理工大學(xué)學(xué)報（增刊）][C];2009年

10 張廣遠(yuǎn);萬強(qiáng);曹海源;田方濤;;基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的故障診斷方法研究[A];第十二屆全國設(shè)備故障診斷學(xué)術(shù)會議論文集[C];2010年

相關(guān)重要報紙文章 前10條

1 美國明尼蘇達(dá)大學(xué)社會學(xué)博士 密西西比州立大學(xué)國家戰(zhàn)略規(guī)劃與分析研究中心資深助理研究員 陳心想;維護(hù)好創(chuàng)新的“神經(jīng)網(wǎng)絡(luò)硬件”[N];中國教師報;2014年

2 盧業(yè)忠;腦控電腦 驚世駭俗[N];計算機(jī)世界;2001年

3 葛一鳴 路邊文;人工神經(jīng)網(wǎng)絡(luò)將大顯身手[N];中國紡織報;2003年

4 中國科技大學(xué)計算機(jī)系　邢方亮;神經(jīng)網(wǎng)絡(luò)挑戰(zhàn)人類大腦[N];計算機(jī)世界;2003年

5 記者 孫剛;“神經(jīng)網(wǎng)絡(luò)”：打開復(fù)雜工藝“黑箱”[N];解放日報;2007年

6 本報記者 劉霞;美用DNA制造出首個人造神經(jīng)網(wǎng)絡(luò)[N];科技日報;2011年

7 健康時報特約記者　 張獻(xiàn)懷;干細(xì)胞移植：修復(fù)受損的神經(jīng)網(wǎng)絡(luò)[N];健康時報;2006年

8 劉力;我半導(dǎo)體神經(jīng)網(wǎng)絡(luò)技術(shù)及應(yīng)用研究達(dá)國際先進(jìn)水平[N];中國電子報;2001年

9 ;神經(jīng)網(wǎng)絡(luò)和模糊邏輯[N];世界金屬導(dǎo)報;2002年

10 鄒麗梅 陳耀群;江蘇科大神經(jīng)網(wǎng)絡(luò)應(yīng)用研究通過鑒定[N];中國船舶報;2006年

相關(guān)博士學(xué)位論文 前10條

1 楊旭華;神經(jīng)網(wǎng)絡(luò)及其在控制中的應(yīng)用研究[D];浙江大學(xué);2004年

2 李素芳;基于神經(jīng)網(wǎng)絡(luò)的無線通信算法研究[D];山東大學(xué);2015年

3 石艷超;憶阻神經(jīng)網(wǎng)絡(luò)的混沌性及幾類時滯神經(jīng)網(wǎng)絡(luò)的同步研究[D];電子科技大學(xué);2014年

4 王新迎;基于隨機(jī)映射神經(jīng)網(wǎng)絡(luò)的多元時間序列預(yù)測方法研究[D];大連理工大學(xué);2015年

5 付愛民;極速學(xué)習(xí)機(jī)的訓(xùn)練殘差、穩(wěn)定性及泛化能力研究[D];中國農(nóng)業(yè)大學(xué);2015年

6 李輝;基于粒計算的神經(jīng)網(wǎng)絡(luò)及集成方法研究[D];中國礦業(yè)大學(xué);2015年

7 王衛(wèi)蘋;復(fù)雜網(wǎng)絡(luò)幾類同步控制策略研究及穩(wěn)定性分析[D];北京郵電大學(xué);2015年

8 張海軍;基于云計算的神經(jīng)網(wǎng)絡(luò)并行實現(xiàn)及其學(xué)習(xí)方法研究[D];華南理工大學(xué);2015年

9 李艷晴;風(fēng)速時間序列預(yù)測算法研究[D];北京科技大學(xué);2016年

10 陳輝;多維超精密定位系統(tǒng)建模與控制關(guān)鍵技術(shù)研究[D];東南大學(xué);2015年

相關(guān)碩士學(xué)位論文 前10條

1 董德軒;基于深度學(xué)習(xí)的人臉檢測算法研究[D];電子科技大學(xué);2017年

2 李山路;基于3D卷積神經(jīng)網(wǎng)絡(luò)的活體人臉檢測研究[D];五邑大學(xué);2017年

3 李靜;基于卷積神經(jīng)網(wǎng)絡(luò)的虛假評論識別技術(shù)的研究[D];北京郵電大學(xué);2017年

4 章穎;混合不確定性模塊化神經(jīng)網(wǎng)絡(luò)與高校效益預(yù)測的研究[D];華南理工大學(xué);2015年

5 賈文靜;基于改進(jìn)型神經(jīng)網(wǎng)絡(luò)的風(fēng)力發(fā)電系統(tǒng)預(yù)測及控制研究[D];燕山大學(xué);2015年

6 李慧芳;基于憶阻器的渦卷混沌系統(tǒng)及其電路仿真[D];西南大學(xué);2015年

7 陳彥至;神經(jīng)網(wǎng)絡(luò)降維算法研究與應(yīng)用[D];華南理工大學(xué);2015年

8 董哲康;基于憶阻器的組合電路及神經(jīng)網(wǎng)絡(luò)研究[D];西南大學(xué);2015年

9 武創(chuàng)舉;基于神經(jīng)網(wǎng)絡(luò)的遙感圖像分類研究[D];昆明理工大學(xué);2015年

10 李志杰;基于神經(jīng)網(wǎng)絡(luò)的上證指數(shù)預(yù)測研究[D];華南理工大學(xué);2015年

，

本文編號：1980223