基于卷積神經(jīng)網(wǎng)絡(luò)及協(xié)方差特征的人臉檢測方法.pdf

1、鑒于人臉檢測技術(shù)在安全訪問控制、視覺監(jiān)測、基于內(nèi)容的檢索和新一代人機(jī)界面等領(lǐng)域具有廣泛的應(yīng)用背景，一直是模式識別和人工智能等領(lǐng)域的重要研究課題。由于人臉是由復(fù)雜的三維曲面構(gòu)成的可變形體，而光照、表情變化和背景環(huán)境都會都給檢測帶來難度。因此人臉檢測是一個(gè)極具挑戰(zhàn)性的課題。
　　 通?；谀w色的人臉檢測方法由于單純利用膚色信息，容易造成膚色區(qū)域的大面積連接，檢測率不高；卷積神經(jīng)網(wǎng)絡(luò)方法在人臉檢測中取得了巨大成功，但是卷積核的計(jì)算量較

2、大，同時(shí)典型的卷積神經(jīng)網(wǎng)絡(luò)的固定結(jié)構(gòu)又使得網(wǎng)絡(luò)規(guī)模初始設(shè)定只能是經(jīng)驗(yàn)性的，難以實(shí)現(xiàn)后繼的再學(xué)習(xí)，限制了卷積神經(jīng)網(wǎng)絡(luò)在人臉檢測領(lǐng)域的進(jìn)一步應(yīng)用；利用簡單Harr式特征分層篩選的人臉檢測方法具有簡單、快速、檢測率高的優(yōu)點(diǎn)，該方法通過Adaboost算法對Harr式矩形特征弱分類器進(jìn)行組合來提升系統(tǒng)分類性能。但是Harr式特征對邊緣、線段比較敏感，只能描述特定走向的圖形結(jié)構(gòu)，一定程度上影響了檢測結(jié)果。
　　 本文針對上述問題進(jìn)行了深入

3、研究，主要改進(jìn)工作包括：
　　 (1)、在彩圖中的人臉檢測過程中，首先提取出彩色圖像中的膚色區(qū)域，再結(jié)合Canny算子提取出的圖像的邊緣信息，將大片粘連的膚色區(qū)域分割開來。實(shí)驗(yàn)結(jié)果證實(shí)本文方法有效提高了包含部分遮擋、膚色干擾等復(fù)雜環(huán)境下的圖片的檢測率。
　　 (2)、針對卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)固定、卷積核計(jì)算量大、難以實(shí)現(xiàn)后繼的再學(xué)習(xí)等問題，提出一種結(jié)構(gòu)可變的卷積神經(jīng)網(wǎng)絡(luò)的構(gòu)造方法。具體構(gòu)造方法為：從每層只有單個(gè)卷積核的簡單網(wǎng)

4、絡(luò)結(jié)構(gòu)開始訓(xùn)練，逐漸為各網(wǎng)絡(luò)層增加新的卷積神經(jīng)元并修改新增連接權(quán)重，當(dāng)訓(xùn)練結(jié)果達(dá)到預(yù)期目標(biāo)時(shí)訓(xùn)練結(jié)束。不同網(wǎng)絡(luò)規(guī)模下人臉檢測的實(shí)驗(yàn)結(jié)果表明基于結(jié)構(gòu)增長生成的網(wǎng)絡(luò)可以在精確度和網(wǎng)絡(luò)規(guī)模之間取得一個(gè)非常好的折衷。此外，在追加新的學(xué)習(xí)樣本時(shí)，分類器在保持原有學(xué)習(xí)結(jié)果基礎(chǔ)上，只需調(diào)整少量新增神經(jīng)元的權(quán)值，就能明顯提高檢測率。
　　 (3)、協(xié)方差矩陣特征能夠反映圖像像素的內(nèi)在相關(guān)程度，可以較好地克服Harr式幾何特征對邊緣走向敏感的缺點(diǎn)