项丽萍，杨红菊

（1.晋城职业技术学院信息工程系，晋城048000；2.山西大学计算机与信息技术学院，太原030006）

引 言

人脸检测作为人脸信息处理的一项关键性技术，被广泛应用到人脸识别［1］、人脸对齐［2］、人机交互［3］和人脸超分辨率重建［4］等研究领域，其检测性能直接影响后续操作的准确性，具有重要的研究价值。作为人脸检测的经典方法，文献［5］提出了基于Haar 特征和AdaBoost 级联弱分类器的人脸检测方法，实现了较好的人脸检测效果。文献［6］提出了一种基于联合分层可变形组件模型（Deformable part model，DPM）的人脸检测方法，检测精度较高。文献［7］提出了一种基于树与共享池的混合人脸检测方法，将每个人脸标记点建模为共享池的一部分，并通过全局混合来还原由视角引起的拓扑变化。受限于人工设计特征的表现能力和分类器的预测性能，上述方法已被基于卷积神经网络（Convolutional neural networks，CNN）［8-10］的方法取代。

目前基于CNN 的人脸检测方法可根据是否建议候选区域分为2 类：一类采用两阶段检测方法，首先生成高质量的区域建议图，然后在区域建议图上利用矩形框回归精确定位人脸边界框位置［11-12］。另一类采用单阶段人脸检测方法［13］，去除区域建议部分，直接在多尺度特征图上进行人脸/非人脸分类和人脸边界框位置回归。文献［14］提出了一种利用人脸周边信息进行辅助的人脸检测方法，在小尺度人脸检测中取得了较好效果。文献［15］通过规模补偿锚匹配策略提高了小尺度人脸的召回率，通过最大化背景标签降低了小尺度人脸的误报率。……