一种改进的多任务级联卷积神经网络人脸检测算法.pdfVIP

-106-学技术创新2024.16

一种改进的多任务级联卷积神经网络人脸检测算法

刘亮

（酒泉职业技术学院，甘肃酒泉）

摘要于卷积神经网络的人脸检测方法检测准确率高，应用广泛，但卷积神经网络一般结构复杂，运算

量大，在边缘计算设备运行时实效性不高，为提高实效性，本文提出一种改进的任务卷积神经网络人脸检测

算法。该检测方法于MTCNN实现，使用MobileNet替换MTCNN三层子网络中的大部分卷积核，并减少R-

Net、O-Net网络中的卷积核数量；改进NMS算法，降低被抑制候选框的置信度，在最后时统一删除，并抑制同

一人脸周围分数最高候选框之外的其他候选框。选用CelebA和WIDERFACE数据集按照7：3划分进行训练

和验证，准确率达到了98.03%，实时性较好。该改进策略大幅降低了原网络的参数量，实现了轻量化改进，保留

精度更高的回归窗口，缓解了漏检问题，检测率高，能满足边缘算力设备人脸实时检测的需求。

关键词：MTCNN；边缘计算设备；MobileNet；NMS

图分类号TP183文献标识码A文章编号2096-4390渊2024冤16-0106-05

引言有很大的优势。其中，多任务级联卷积神经网络

人脸检测技术是计算机视觉、图像处理、模式识MTCNN（Multi-taskconvolutionalneuralnetwork）因

别和神经网络等领域的热门研究方向之一。人类脸部结构较为轻量、容易收敛、精度较高，且能实现人脸检

的器官结构是确定的，由眉、眼、鼻、口等部位组成。人测与关键点定位，得到广泛应用。但是驾驶员疲劳检

脸检测指采用策略检测数字图像中是否存在人脸，如测、网课（移动端）专注度检测等使用边缘计算设备的

果存在，检测人脸的尺寸大小和所处的位置。在实际应用领域，要求检测模型实时性高、算力需求低。本文

数字图像中，人脸作为一个整体除受图像像素影响提出一种改进MTCNN算法以适应这些应用领域。

外，还经常受到遮挡、光照等外部因素的影响，也会因1MTCNN算法及改进

长相差异、表情变化和人体姿态等个人因素有不同表1.1算法原理

[1]

现。作为人脸识别、人脸验证和人机交互的预处理，MTCNN由P-Net网络、R-Net网络、O-Net三层

人脸检测得到了充分的研究，推动针对上述影响因素网络级联组成，这三层子网络结构间相互独立，在检

的解决方案快速更新发展。截止前，人脸检测技术测的各阶段都是多任务运行，完成人脸检测和人脸对

大致经历了模板匹配、AdaBoost框架和深度学习框架齐，输出人脸框和人脸五个关键点。

[2]

三个发展阶段。MTCNN工作流程是在面对无规律的待检测图像

前期基于特征变换的人脸检测算法有基于Haar-时，进行尺寸变换将图像堆叠成多层级金字塔结构，

[3]

like的AdaBoost算法、基于肤色模型的算法等，这些输入到三通道的建议网络P-Net（ProposalNetwork），

方法对于光照、尺度、姿态变化等的鲁棒性较差，且检按照各个图像块的人脸得分筛选面部候选框，采用

测速度较慢。近年来，基于卷积神经网络的人脸检测NMS合并重叠率高候选框，输出人脸分类器、面部

[4]

算法非常流行，主要有MTCNN算法、SSH算法、候选框坐标和人脸特征点坐标。精选网络R-Net

PyramidBo