APP下载

复杂场景下基于R-FCN的小人脸检测研究

2020-01-06降爱莲

计算机工程与应用 2020年1期
关键词:特征检测

李 静,降爱莲

太原理工大学 信息与计算机学院,山西 晋中030600

1 引言

目前,人脸检测[1]在面部相关应用系统中起着非常重要的作用。尽管近年来已取得巨大进步,但人脸检测技术上的挑战依然存在。如图1所示,人脸因种种影响因素变化很大,包括面部部分的遮挡、不同的尺度、光照条件、不同的姿势、丰富的表情等。最近,基于区域方法的成功,推动了目标检测的发展。典型算法中Fast/Faster R-CNN[2-3]是基于R-CNN[4]的算法,以在感兴趣的区域内进行区域检测的方式实现检测。但是,直接将区域特定操作的策略应用到完全卷积的网络中,比如残差网络ResNet[5],由于分类精度高,最终导致检测性能较差。

图1 复杂场景下的多个人脸图像示意图

基于此,本文基于R-FCN[6]框架,引入Squeeze-and-Excitation模块[7],使得能够显式地建模特征通道之间的相互依赖关系,且不需要引入新的函数或者层,最终在模型和计算复杂度上具有良好的特性。

通过查阅文献,发现近期关于人脸检测的研究进展,大多集中于使用深层卷积神经网络。当图像出现复杂场景及较大的外观变化时,需要被不同类型的注意力机制关注。在注意力机制和人脸检测研究进展的启发下,本文在全卷积网络结构中引入了残差注意力机制。

2 相关工作

本文研究了复杂场景下基于R-FCN的小人脸检测算法,通过文献调研将相关工作组织成如下三个部分:

在过去几年里,人脸检测已经得到广泛的研究。Viola 和Jones[8]发明了一个使用Haar-like 特征的级联AdaBoost 人脸检测算法,在那之后,大量的工作集中在发展更高级的特征和更强的分类算法。……

登录APP查看全文

猜你喜欢

特征检测
如何表达“特征”
不忠诚的四个特征
小波变换在PCB缺陷检测中的应用
线性代数的应用特征