近幾年來,隨著人工智能的蓬勃發(fā)展,人臉檢測(cè)作為最熱門的研究課題之一,應(yīng)用于許多社會(huì)生活中的實(shí)際場(chǎng)景中,例如手機(jī)支付、智能安防、自動(dòng)駕駛等。YOLO網(wǎng)絡(luò)一經(jīng)問世就因其檢測(cè)的實(shí)時(shí)性能備受矚目,同比于目前實(shí)用的檢測(cè)網(wǎng)絡(luò),YOLO有檢測(cè)速度的優(yōu)勢(shì),但同時(shí)也相對(duì)犧牲了檢測(cè)精度,YOLO網(wǎng)絡(luò)發(fā)展到第三代,網(wǎng)絡(luò)結(jié)構(gòu)加深,檢測(cè)精度得到改善但同時(shí)檢測(cè)速度有所降低。隨著基于深度學(xué)習(xí)的人臉檢測(cè)網(wǎng)絡(luò)的快速發(fā)展,如何適用于實(shí)際的社會(huì)生活中面臨了較大的困難與挑戰(zhàn),比如過小且像素過低的目標(biāo)、模型參數(shù)過多占據(jù)存儲(chǔ)空間過大、檢測(cè)的速度和精度無法權(quán)衡等。針對(duì)上述問題,本文在基于回歸思想的YOLO網(wǎng)絡(luò)的基礎(chǔ)上,提出一種新的網(wǎng)絡(luò)模型,本文的主要研究?jī)?nèi)容如下:（1）針對(duì)于人臉數(shù)據(jù)集,研究不同數(shù)量的anchor對(duì)網(wǎng)絡(luò)模型的影響,使用無監(jiān)督算法k-means++對(duì)人臉數(shù)據(jù)集的寬高進(jìn)行重新聚類,獲得適用于本文人臉數(shù)據(jù)集的邊界框大小和數(shù)量。（2）針對(duì)非極大抑制存在漏檢鄰近人臉的問題,提出一種基于加權(quán)的非極大抑制算法,對(duì)預(yù)測(cè)框中得分低的預(yù)測(cè)框不做直接抑制處理,而將其降低得分,并與設(shè)定的重疊閾值做比較,低于閾值再做抑制,否則視為檢測(cè)框輸出... 

【文章來源】：長(zhǎng)春理工大學(xué)吉林省

【文章頁數(shù)】：69 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

LeNet-5卷積神經(jīng)網(wǎng)絡(luò)模型

20圖2.12R-CNN的檢測(cè)流程圖R-CNN使用SelectiveSearch對(duì)圖像進(jìn)行分割，在圖像中搜索出2000個(gè)獨(dú)立候選框(RegionProposal)，由于搜出的候選框大小不一，但卷積神經(jīng)網(wǎng)絡(luò)對(duì)輸入圖片的大小是有固定的，因此需要對(duì)每個(gè)輸入的候選框都縮放到固定的大校R-CNN網(wǎng)絡(luò)的檢測(cè)精度較高，但從一開始的特征信息提取就占據(jù)大量空間，后期的檢測(cè)又依附前期提取的大量信息，整個(gè)過程的計(jì)算量過大。目前，常用的目標(biāo)檢測(cè)網(wǎng)絡(luò)FastR-CNN和FasterR-CNN，都是對(duì)R-CNN通過候選框選取，分類器訓(xùn)練等方面進(jìn)行優(yōu)化，改進(jìn)了計(jì)算量過大的問題，提高了訓(xùn)練速度，精度也有所保證，因而成為目前目標(biāo)檢測(cè)的熱門算法。2.5本章小結(jié)本章介紹了本課題所涉及到的相關(guān)理論基礎(chǔ)，首先介紹了人工神經(jīng)網(wǎng)絡(luò)基本原理和結(jié)構(gòu)，然后對(duì)卷積神經(jīng)網(wǎng)絡(luò)基本原理和結(jié)構(gòu)進(jìn)行分析，包括卷積層、池化層、全連接層、激活函數(shù)等，接著介紹了卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練方法，分為前向傳播和反向傳播，通過介紹梯度下降法引出反向傳播，并針對(duì)各層逐層分析其反向傳播更新參數(shù)的方法，最后介紹了兩個(gè)經(jīng)典的基于卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)模型。1.Inputimage2.ExtractregionProposals(~2k)3.ComputeCNNfeaturess4.Classifyregions

30圖3.6目標(biāo)框聚類效果圖(a)原聚類方法檢測(cè)結(jié)果(b)本節(jié)聚類方法檢測(cè)結(jié)果圖3.7檢測(cè)框檢測(cè)效果對(duì)比3.4非極大抑制的設(shè)計(jì)非極大抑制算法(NMS)[52]是物體檢測(cè)過程中的重要組成部分，作為輸出結(jié)果前的最后一個(gè)步驟，它的作用是選定適合的檢測(cè)框并抑制冗余的檢測(cè)窗口，其本質(zhì)就是一種聚類方法，輸出的結(jié)果為每一類的聚類中心。本節(jié)旨在于即便場(chǎng)景復(fù)雜目標(biāo)微小，如若預(yù)測(cè)框框出人臉，則需要檢測(cè)結(jié)果中不出現(xiàn)遺漏，提高模型的檢測(cè)精度。傳統(tǒng)的非極大抑制首先根據(jù)目標(biāo)的檢測(cè)分?jǐn)?shù)生成檢測(cè)框集合B，在B中選擇出置信度最高的檢測(cè)框M，并最終放入檢測(cè)結(jié)果的集合D中，并將余下與M有明顯重疊的檢測(cè)框ib從集合B中移除，通過此過程遍歷所有檢測(cè)目標(biāo)，即為非極大抑制的任務(wù)。計(jì)算公式如式(3-10)所示。非極大抑制目前大量用于目標(biāo)檢測(cè)任務(wù)中，但由于其設(shè)定了重疊閾值tN，同時(shí)將大于其重疊閾值的鄰檢測(cè)框的置信度強(qiáng)制歸零，這使得若其他

【參考文獻(xiàn)】：
期刊論文
[1]人臉檢測(cè)技術(shù)綜述[J]. 游清清,諶海云,駱俊,王小怡.  無線互聯(lián)科技. 2017(10)
[2]基于DPM模型的靜態(tài)人臉檢測(cè)[J]. 錢玉潔,王玉德,馮瑋,李圓圓,張肖肖.  電子技術(shù). 2016(03)
[3]一種復(fù)雜背景中的人臉檢測(cè)與驗(yàn)證方法[J]. 章品正,趙洪玉,梁曉云,舒華忠,徐琴珍.  數(shù)據(jù)采集與處理. 2004(01)

碩士論文
[1]基于深度視感知學(xué)習(xí)的目標(biāo)檢測(cè)算法與應(yīng)用研究[D]. 張亞超.蘭州理工大學(xué) 2018
[2]復(fù)雜條件下人臉檢測(cè)方法研究與實(shí)現(xiàn)[D]. 梅真卿.電子科技大學(xué) 2018



本文編號(hào)：2954887