基于Edge Boxes和深度学习非限制条件下人脸检测.docVIP

基于Edge Boxes和深度学习非限制条件下人脸检测 　　摘 要： 针对光线、旋转、遮挡、平移等因素对人脸检测结果产生的干扰，提出一种基于Edge Boxes和深度学习相结合的人脸检测算法。首先采用Edge Boxes算法提取出可能存在人脸的边界框，提取边界框中的图像并调整至合适的大小，作为卷积神经网络的输入，然后利用卷积神经网络对提取出的图像进行特征提取和分类，最后利用非极大抑制算法排除多余人脸检测框，得到人脸的准确位置。该算法应用于LFW和Yale B人脸数据库的检?y率分别达到98.7%和98.5%，识别单张人脸的时间均小于0.5 s。实验结果表明，该算法在检测率和检测速率方面较传统算法都有了很大的提高，对于遮挡、光照、旋转等干扰具有更强的鲁棒性。 　　关键词： 人脸检测； 特征提取； 深度学习； Edge Boxes； 卷积神经网络； 非极大抑制算法 　　中图分类号： TN911.73?34； TP391 文献标识码： A 文章编号： 1004?373X（2018）13?0029?05 　　Abstract： A face detection algorithm based on Edge Boxes and deep learning is proposed to eliminate the interference from light， rotation， occlusion， translation and other factors to the face detection results. The Edge Boxes algorithm is used to extract the bounding box maybe existing in human face， in which the image is adjusted to the appropriate size， and deemed as the input of the convolution neural network. Extraction and classification of the features in the extracted image are carried out by means of convolution neural network. The non?maximal suppression algorithm is used to exclude the excess face detection boxes to get the exact location of the face. The detection rate of the proposed algorithm can reach up to 98.7% and 98.5% respectively for LFW and Yale B face databases， and the identification time for single face is less than 0.5 s. The experimental results show that the detection rate and detection speed of the algorithm are much higher than those of the traditional algorithms， and it has stronger robustness against interference from occlusion， illumination and rotation. 　　Keywords： face detection； feature extraction； deep learning； Edge Boxes； convolution neural network； non?maximal suppression algorithm 0 引 言 　　人脸检测是指给定任意图像，采用一定的算法对其进行搜索，判断其中是否含有人脸，如果是则计算出人脸的位置信息。人脸检测是计算机视觉中的基础性问题，是人脸识别的基础，在现实生活中广泛应用于视频监控、人机交互、智能汽车等方面[1]。 　　研究表明，深度卷积神经网络能够很好地表示高阶抽象概念的复杂函数。对于神经网络而言，深度指的是网络学习得到的函数中非线性运算组合水平的数量，深度模型表达能力更强、更有效率。将深度卷积神经网络用于人脸检测是一种基于特征的方法，与传统的人工特征提取相比，它的优点是通过逐层卷积层降维进行特征提取，通过全连接层形成更抽象、更有效的特征表示。然后经过多层