论文部分内容阅读
对于无约束场景下的人脸检测,传统的检测方法通过匹配面部轮廓、五官关键点、肤色等特征来实现,小人脸五官信息丢失严重,极大的影响了人脸检测的结果。本论文针对无约束场景下小人脸检测精度不高的现象,分析小人脸漏检和错检的原因,研究面向小人脸目标检测的深度神经网络算法,进一步提高小人脸的检测性能,主要研究内容和结果如下:首先,本文总结了传统方法和深度学习在人脸检测领域的发展现状,并详细介绍了深度学习算法相关理论。为了解决神经网络池化操作导致的小人脸有效信息丢失的问题,本文提出了一种相邻检测层特征复用的特征融合网络,以多层特征级联的方式为人脸的分类和坐标回归提供了更多的特征信息,从而改善了小人脸的漏检现象。其次,为了有效地检测不同尺度的人脸,进一步改善小人脸的漏检现象,本文分析了几种经典的目标检测网络的优缺点,构建了一种用于小人脸检测的特征金字塔网络FS~3FD(Feature Fusion Single Shot Scale-invariant Face Detector,FS~3FD),证明了多尺度金字塔网络对人脸检测的有效性。另外,为了辅助小人脸的检测,本文还在此网络中引入了一种由扩张率分别为1、2、4、8的扩张卷积构成的上下文模块,在不降低图像分辨率的条件下增大特征图的感受野,使用小人脸的上下文信息提升网络模型的检测精度。然后,针对背景信息的干扰而产生的小人脸的错检现象,本文引入了一种基于混合域的注意力模块,通过生成特征权重来获取人脸图像中所需关注的重点区域,抑制与小人脸形状、颜色等特征相似的区域。实验结果证明,基于注意力机制的多尺度网络对小人脸的检测效果良好,并且在FS~3FD中加入注意力模块也能进一步提升的网络的检测精度。最后,在WIDER FACE数据集上对本文提出的方法进行了验证,以平均精度AP(Average Precision,AP)为评估指标,验证集的easy部分平均精度达到0.948,medium部分达到0.940,hard部分达到0.893,与现阶段主流的人脸检测算法相比,证明了本文方法在小人脸检测任务中的可行性和有效性。