非限制條件下的多姿態(tài)人臉檢測算法研究.pdf

1、人臉檢測作為智能人機交互技術(shù)中的一個重要組成部分，是當(dāng)前模式識別、人工智能、計算機視覺等領(lǐng)域的研究熱點，近年來受到研究者的廣泛關(guān)注。多姿態(tài)變化是人臉檢測中一個突出的難題，其將非線性因素引入到人臉檢測中，增加了檢測的難度，降低了檢測系統(tǒng)的性能。因此，本文通過學(xué)習(xí)一種深層非線性網(wǎng)絡(luò)結(jié)構(gòu)實現(xiàn)復(fù)雜函數(shù)逼近，自動地提取人臉的本質(zhì)特征，使得特征表達不依賴人工選擇，提高了整個系統(tǒng)的速度。此外，本文利用金字塔型的檢測器細(xì)膩地劃分了人臉姿態(tài)變化范圍，有效

2、地降低了檢測過程中人臉的漏檢數(shù)量。
　　本文的主要工作如下：
　　1.針對傳統(tǒng)深度信念網(wǎng)絡(luò)模型在構(gòu)建神經(jīng)元輸出時的梯度消失問題，本文提出一種使用 PReLU函數(shù)改善的深度信念網(wǎng)絡(luò)模型，在不增加計算量和過擬合風(fēng)險較低的情況下，緩解了梯度消失的問題，加速了網(wǎng)絡(luò)的收斂速度，改善了深度信念網(wǎng)絡(luò)在參數(shù)訓(xùn)練過程中的效率。仿真實驗從收斂性和分類誤差百分比這兩個角度出發(fā)，分析了本文改進的深度信念網(wǎng)絡(luò)模型與傳統(tǒng)使用 sigmoid/ReLU進

3、行激活的深度信念網(wǎng)絡(luò)模型在性能上的差異。實驗結(jié)果表明，使用 PReLU函數(shù)優(yōu)化的深度信念網(wǎng)絡(luò)在性能上表現(xiàn)比其他深度信念網(wǎng)絡(luò)模型好。
　　2.為了改善人臉檢測系統(tǒng)受姿態(tài)變化、遮擋等因素造成的漏檢、誤檢等問題，本文提出了一種融合上述深度信念網(wǎng)絡(luò)和 FloatBoost算法的方法。該方法首先利用深度學(xué)習(xí)模型 DBNs，根據(jù)人臉各部分之間的相關(guān)性進行人臉特征的提取，然后使用 FloatBoost算法學(xué)習(xí)不同姿態(tài)范圍的檢測器，將這些檢測器由

4、粗到細(xì)、由簡單到復(fù)雜組成一種金字塔結(jié)構(gòu)的檢測器，將深度模型訓(xùn)練得到的特征作為弱分類器輸入到該金字塔結(jié)構(gòu)中，進行人臉/非人臉的分類。
　　為了驗證該方法的有效性，進行三組實驗分析了本文方法以及其對比方法在不同召回率和誤檢率下的準(zhǔn)確率。對比方法包括傳統(tǒng)使用 softmax算法進行分類的深度信念網(wǎng)絡(luò)、當(dāng)前性能較好的基于級聯(lián)的方法、基于 DPM的方法以及基于深度卷積神經(jīng)網(wǎng)絡(luò)的方法。實驗結(jié)果表明，本文方法能夠較好地檢測出不同姿態(tài)范圍的人臉，