一種基于卷積神經(jīng)網(wǎng)絡(luò)和條件隨機(jī)場(chǎng)的人臉檢測(cè)方法.pdf

1、人臉檢測(cè)是一個(gè)復(fù)雜的模式判別問(wèn)題，其難點(diǎn)主要由成像角度不同所引起：如平面內(nèi)旋轉(zhuǎn)和平面外旋轉(zhuǎn)，偏轉(zhuǎn)角度會(huì)直接影響判定人臉的準(zhǔn)確度。當(dāng)前基于深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)的檢測(cè)方法雖然有著很高的檢測(cè)率，但是在神經(jīng)網(wǎng)絡(luò)的輸出層對(duì)人臉的處理不夠精確，忽略了一張人臉對(duì)應(yīng)的多個(gè)檢測(cè)窗口之間的關(guān)聯(lián)關(guān)系，從而導(dǎo)致最終人臉框不夠精確。結(jié)合條件隨機(jī)場(chǎng)模型CRF對(duì)神經(jīng)網(wǎng)絡(luò)的輸出層進(jìn)行調(diào)整，使得最終的人臉框更加精確。
　　提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)和條件隨機(jī)場(chǎng)模型

2、的人臉檢測(cè)方法CRF-CNN，該方法提高了最終人臉框的精確度。方法首先對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到判定人臉和非人臉的分類器，對(duì)輸入圖像進(jìn)行滑動(dòng)窗口人臉檢測(cè)，得到包含人臉的窗口；然后標(biāo)注同一張人臉對(duì)應(yīng)的所有檢測(cè)窗口，窗口對(duì)應(yīng)的置信分作為條件隨機(jī)場(chǎng) CRF的隨機(jī)變量，通過(guò)CRF模型計(jì)算窗口之間的關(guān)聯(lián)關(guān)系，根據(jù)關(guān)聯(lián)關(guān)系的緊密程度對(duì)窗口進(jìn)行取舍；最后根據(jù)面積重疊的大小和橫向距離、縱向距離重疊的大小分別對(duì)同尺度和不同尺度的窗口進(jìn)行合并，得到最終的

3、人臉框。為了使得檢測(cè)率更高，該方法還對(duì)輸入圖片做了不同尺度的縮放處理，縮放程度的不同只會(huì)很小程度影響檢測(cè)時(shí)間，不會(huì)影響檢測(cè)的正確性，所以本方法對(duì)選用何種縮放算法及其參數(shù)并不敏感。
　　實(shí)驗(yàn)分別與卷積神經(jīng)網(wǎng)絡(luò)檢測(cè)方法 DDFD、R-CNN和局部特征檢測(cè)方法 DPM進(jìn)行了比較。結(jié)果表明，CRF-CNN的準(zhǔn)確率和召回率與DDFD相近，高于R-CNN和DPM。在面內(nèi)旋轉(zhuǎn)和面外旋轉(zhuǎn)的人臉檢測(cè)中，CRF-CNN得到的人臉框更加準(zhǔn)確，尤其在面外