非限制條件下的多姿態(tài)人臉檢測(cè)算法研究.pdf

1、人臉檢測(cè)作為智能人機(jī)交互技術(shù)中的一個(gè)重要組成部分，是當(dāng)前模式識(shí)別、人工智能、計(jì)算機(jī)視覺等領(lǐng)域的研究熱點(diǎn)，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(cè)中一個(gè)突出的難題，其將非線性因素引入到人臉檢測(cè)中，增加了檢測(cè)的難度，降低了檢測(cè)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(shí)現(xiàn)復(fù)雜函數(shù)逼近，自動(dòng)地提取人臉的本質(zhì)特征，使得特征表達(dá)不依賴人工選擇，提高了整個(gè)系統(tǒng)的速度。此外，本文利用金字塔型的檢測(cè)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(cè)過程中人臉的漏檢數(shù)量。
　　本文的主要工作如下：
　　1.針對(duì)傳統(tǒng)深度信念網(wǎng)絡(luò)模型在構(gòu)建神經(jīng)元輸出時(shí)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(jì)算量和過擬合風(fēng)險(xiǎn)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(shí)驗(yàn)從收斂性和分類誤差百分比這兩個(gè)角度出發(fā)，分析了本文改進(jìn)的深度信念網(wǎng)絡(luò)模型與傳統(tǒng)使用 sigmoid/ReLU進(jìn)

3、行激活的深度信念網(wǎng)絡(luò)模型在性能上的差異。實(shí)驗(yàn)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(cè)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(jìn)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(cè)器，將這些檢測(cè)器由

4、粗到細(xì)、由簡(jiǎn)單到復(fù)雜組成一種金字塔結(jié)構(gòu)的檢測(cè)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(jìn)行人臉/非人臉的分類。
　　為了驗(yàn)證該方法的有效性，進(jìn)行三組實(shí)驗(yàn)分析了本文方法以及其對(duì)比方法在不同召回率和誤檢率下的準(zhǔn)確率。對(duì)比方法包括傳統(tǒng)使用 softmax算法進(jìn)行分類的深度信念網(wǎng)絡(luò)、當(dāng)前性能較好的基于級(jí)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(shí)驗(yàn)結(jié)果表明，本文方法能夠較好地檢測(cè)出不同姿態(tài)范圍的人臉，