一种基于卷积神经网络和条件随机场的人脸检测方法

摘要

人脸检测是一个复杂的模式判别问题，其难点主要由成像角度不同所引起：如平面内旋转和平面外旋转，偏转角度会直接影响判定人脸的准确度。当前基于深度学习卷积神经网络的检测方法虽然有着很高的检测率，但是在神经网络的输出层对人脸的处理不够精确，忽略了一张人脸对应的多个检测窗口之间的关联关系，从而导致最终人脸框不够精确。结合条件随机场模型CRF对神经网络的输出层进行调整，使得最终的人脸框更加精确。
　　提出了一种基于卷积神经网络和条件随机场模型的人脸检测方法CRF-CNN，该方法提高了最终人脸框的精确度。方法首先对卷积神经网络进行训练，得到判定人脸和非人脸的分类器，对输入图像进行滑动窗口人脸检测，得到包含人脸的窗口；然后标注同一张人脸对应的所有检测窗口，窗口对应的置信分作为条件随机场 CRF的随机变量，通过CRF模型计算窗口之间的关联关系，根据关联关系的紧密程度对窗口进行取舍；最后根据面积重叠的大小和横向距离、纵向距离重叠的大小分别对同尺度和不同尺度的窗口进行合并，得到最终的人脸框。为了使得检测率更高，该方法还对输入图片做了不同尺度的缩放处理，缩放程度的不同只会很小程度影响检测时间，不会影响检测的正确性，所以本方法对选用何种缩放算法及其参数并不敏感。
　　实验分别与卷积神经网络检测方法 DDFD、R-CNN和局部特征检测方法 DPM进行了比较。结果表明，CRF-CNN的准确率和召回率与DDFD相近，高于R-CNN和DPM。在面内旋转和面外旋转的人脸检测中，CRF-CNN得到的人脸框更加准确，尤其在面外旋转的人脸检测中，CRF-CNN置信分均值为0.99759，高出DDFD0.00527。

目录

封面

声明

中文摘要

英文摘要

目录

1 绪论

1.1 课题研究背景

1.2 国内外研究现状分析

1.3 研究的目标和主要工作

1.4 论文的组织

2 CRF-CNN人脸检测方法相关技术与算法

2.1 神经网络检测方法

2.2 条件随机场CRF模型

2.3 本章小结

3 CRF-CNN的设计与实现

3.1 CRF-CNN整体流程

3.2 CRF-CNN网络预处理

3.3 滑动窗口人脸检测

3.4 检测图片缩放处理

3.5 本章小节

4 测试与分析

4.1测试环境与准备工作

4.2 人脸检测性能对比

4.3 图片缩放后的检测

4.4 CRF模型计算前后的对比

4.5面内旋转和面外旋转的人脸检测

4.6本章小结

5 全文总结

5.1 工作总结

5.2 工作展望

致谢

参考文献