自然场景下基于卷积神经网络的人脸检测与人脸性别识别研究

• 作 者: 石学超
• 出 处: 河北工业大学
• 发表日期: 2018年01期
• 关键词: 人脸检测 人脸性别识别 卷积神经网络 四级级联网络 残差网络 多层特征融合

人脸特征因其所包含的性别、表情、身份及年龄等大量信息,在公共安全、智能服务、人机交互等领域显得至关重要。基于人脸特征的人脸检测及人脸性别识别如今已是计算机视觉领域的研究重点,但因自然场景下的人脸图像会受到光照、姿态、表情、遮挡、尺寸等因素影响,从而影响人脸检测与人脸性别识别效果。本文在卷积神经网络理论框架下,就自然场景下的人脸检测与人脸性别识别问题开展研究,主要研究内容如下:(1)基于四级级联全卷积神经网络的人脸检测研究传统的人脸检测存在提取特征表征能力较差,以及特征与分类器匹配程度不高等问题。针对上述情况,本文设计了一种基于四级级联全卷积神经网络的人脸检测算法。基本思路是通过构建四级级联网络,采用级联分级训练来代替端到端训练,以避免只共享一个网络权值的局限,进而获得有区分性功能的深度网络,提高检测精度;另外每级网络均设计为全卷积结构,用于提升检测速率;采用自举法进行网络模型的优化训练;最后通过前三级网络逐步检测过滤,同时借助最后一级网络矫正输出来得到人脸检测结果。实验结果表明,本文算法对于自然场景下的多姿态、遮挡、不同肤色人脸等均具有良好的鲁棒性,同时检测速度达到单张86ms,在人脸公开测试集FDDB上的召回率达到90.62%。(2)基于深度残差网络的多尺度人脸检测研究目前不少卷积神经网络因其结构简单与检测模型单一,对于自然场景下存在尺寸较小、姿态变化较大、遮挡较严重的人脸图像,还是会有很多漏检情形。针对以上问题,本文提出了一种基于深度残差网络的多尺度人脸检测算法。基本思路是以18层深度残差网络结构作为基础网络,在基础网络的末端不同位置上设计了针对不同尺度人脸的检测模块,来增加模型对于人脸尺度问题的辨识能力;同时引入CReLU作为激活函数,在保证精度不变的同时提升检测速率。经对多组人脸数据集测试实验表明,此算法在FDDB数据集上的召回率达到95.52%,在Wider Face测试集上的平均检测精度可达到93.30%,可有效地检测到尺度变换及遮挡等复杂场景下的人脸图像,具有较高的检测精度与鲁棒性。(3)基于多层特征融合卷积神经网络的人脸性别识别研究目前对于人脸性别识别,一些传统性别识别算法与卷积神经网络算法的识别精度还不是很高。为了进一步提高人脸性别识别的准确率,本文提出了一种基于多层特征融合卷积神经网络的人脸性别识别算法。基本思路是以AlexNet网络结构为基础,把浅层Conv2卷积层输出的特征图,与深层Conv4与Conv5卷积层输出的特征图经两倍上采样后相融合,利用多个卷积层的特征来提高网络模型的表征能力;另外引入具有可调目标监督机制的大边界交叉熵函数当作网络的损失函数,来增强对深层卷积网络学习的引导,使得同种性别间的类内间距更小,不同性别间的类间间距更大,进一步提高性别识别精度;经六组标准人脸数据集的测试结果表明,本文算法的识别准确率要高于其它传统的卷积网络算法。