一種基于卷積神經網絡和條件隨機場的人臉檢測方法.pdf

1、人臉檢測是一個復雜的模式判別問題，其難點主要由成像角度不同所引起：如平面內旋轉和平面外旋轉，偏轉角度會直接影響判定人臉的準確度。當前基于深度學習卷積神經網絡的檢測方法雖然有著很高的檢測率，但是在神經網絡的輸出層對人臉的處理不夠精確，忽略了一張人臉對應的多個檢測窗口之間的關聯關系，從而導致最終人臉框不夠精確。結合條件隨機場模型CRF對神經網絡的輸出層進行調整，使得最終的人臉框更加精確。
　　提出了一種基于卷積神經網絡和條件隨機場模型

2、的人臉檢測方法CRF-CNN，該方法提高了最終人臉框的精確度。方法首先對卷積神經網絡進行訓練，得到判定人臉和非人臉的分類器，對輸入圖像進行滑動窗口人臉檢測，得到包含人臉的窗口；然后標注同一張人臉對應的所有檢測窗口，窗口對應的置信分作為條件隨機場 CRF的隨機變量，通過CRF模型計算窗口之間的關聯關系，根據關聯關系的緊密程度對窗口進行取舍；最后根據面積重疊的大小和橫向距離、縱向距離重疊的大小分別對同尺度和不同尺度的窗口進行合并，得到最終的

3、人臉框。為了使得檢測率更高，該方法還對輸入圖片做了不同尺度的縮放處理，縮放程度的不同只會很小程度影響檢測時間，不會影響檢測的正確性，所以本方法對選用何種縮放算法及其參數并不敏感。
　　實驗分別與卷積神經網絡檢測方法 DDFD、R-CNN和局部特征檢測方法 DPM進行了比較。結果表明，CRF-CNN的準確率和召回率與DDFD相近，高于R-CNN和DPM。在面內旋轉和面外旋轉的人臉檢測中，CRF-CNN得到的人臉框更加準確，尤其在面外