复杂背景下的人脸检测研究.pdf

重庆大学硕士学位论文 中文摘要 摘 要 复杂背景，即存在遮挡、光照、模糊以及人脸不同姿态等干扰因素的背景。 复杂背景中的干扰因素会导致人脸的特征变得不准确，使得复杂背景下的人脸检 测研究变得十分困难。目前，越来越多的场景需要在复杂背景下进行人脸检测， 比如无人驾驶汽车和国家反恐，这些需求使得复杂背景下的人脸检测研究具有重 要的实际意义。同时，在理论研究上，复杂背景下的人脸检测研究是模拟人类视 觉的关键研究，是实现赋予机器人工智能的重要组成部分，因此该研究也具有重 要的理论意义。 本文主要围绕着提升模型在复杂背景下人脸检测的精度和速度开展了以下工 作： 1）详细阐释了通用目标检测模型Faster R-CNN 模型。Faster R-CNN 模型在通 用目标检测领域具有十分优秀的检测效果，尤其是该模型提出的RPN 网络，能够 生成高质量的候选区域，提高模型的检测效果。同时，该模型对检测小物体有较 好的实验效果，而复杂背景下的人脸以小脸居多，因此，本文选用 Faster R-CNN 模型作为基础模型进行改进。 2 ）本文提出了基于环境信息和特征融合的人脸检测模型。该模型使用残差网 络作为特征提取器，提取用于分类和位置回归的特征，同时采用特征融合，使得 用于分类和回归的特征具有更多的位置信息，提高模型对人脸的定位效果，最后 模型对CMS-RCNN 模型中提出的环境信息进行了改进，考虑到复杂背景下的人脸 通常是处于非典型姿态，人脸身体比例会相应的缩小，本文通过实验得出，设定 CMS-RCNN 模型中的0.75 倍比例。实验结果表明：模型取得较高的检测精度，同 时，CMS-RCNN 模型平均检测速度为1FPS，本文提出的模型获得了4FPS 的平均 检测速度。 3 ）本文提出了基于 Faster R-CNN 模型的三分类人脸检测模型。使用 Faster R-CNN 模型作为基本模型，将人脸明确区分为小脸和正常脸，让模型对小脸更加 关注，采用图片金字塔模式，增强模型对小脸的检测效果，同时采用了HR 模型中 设计的特征融合机制，提升模型的特征提取的效果。实验结果表明：相比于最先 进的HR 模型，本文提出的模型在检测精度上，十分接近HR 模型，而在检测速度 方面，HR 模型检测时的平均检测速度为0.5FPS ，而本模型的平均检测速度则达到 了6FPS 。 关键词：复杂背景，人脸检测，环境信息，Faster R-CNN，特征融合 I 重庆大学硕士学位论文 英文摘要 ABSTRACT Complex background is a background with interference factors such as occlusion, illumination, blurring and different facial postures. The interference factors in complex background can lead to inaccurate features of human faces, which makes the research of face detection in complex background very difficult. At present, more and more scenes need face detection in complex background, such as driverless cars and national anti-terrorism. These requirements make the research of face detection in complex background have important practical