现如今,随着互联网视频和图像数据的海量增长,急需开发出更好的智能系统去自动获取和理解这些视频、图像信息。人脸可以传达一个人的身份和感受,在社交方面起着重要作用。自动人脸检测系统在人脸识别、人脸表情识别、头部姿势估计、人机交互等方面起着重要作用。人脸检测的目的主要是确定一幅图像中人脸的位置和大小,是计算机视觉领域中的一个热门领域。在一定的约束条件下,人脸检测技术已经达到了非常高的性能,但是在无约束条件下,主要指在复杂的自然场景、遮挡、多角度和人脸大尺度范围等条件下,现存的很多算法,单纯地靠改变网络模型结构已经无法满足现实需求。针对上述存在的人脸检测问题,本文分析了人脸检测流程,并基于卷积神经网络提出若干算法,用于提升人脸检测模型的检测精度与速度。文章由以下内容构成:1、本文根据人脸检测流程,提出一种基于多分辨率全卷积神经网络的方法获取人脸候选区域。该方法首先从人脸多尺度角度出发,运用一个多分辨率滑动窗口生成多级分辨率下的人脸热图,根据热图上的局部最热区域得到人脸候选区域,最后将人脸候选区域送入CNN分类网络进行分类,获取人脸位置。2、考虑到多分辨率滑动窗口在生成人脸候选区域时会产生大量冗余计算,本文又提出一种尺度与空间预测网络(SSFN),SSFN是一个轻量的全卷积神经网络,针对图像上存在的人脸尺度范围较大的情况,用该网络预测图像上可能存在的人脸尺度和空间范围,可以有效减少因滑动窗口造成的冗余计算量。3、最后,考虑到基于SSFN的人脸候选区域检测方法,其实际感受野要远小于理论上的感受野,不足以捕捉到全局语义信息,对于从人脸候选区域筛选人脸时会出现的一定程度的误检测问题,本文提出一种基于上下文信息辅助的人脸检测网络,该网络使用深度可分离卷积方法,在不增加额外计算负担的情况下将目标像素周围的局部上下文信息添加至原始特征映射中,并利用全局平均池化方法来添加全局上下文信息,最后将多个上下文信息特征相融合输入至softmax分类回归。在算法实现上,本文采用Caffe来实现深度学习算法框架,在FDDB、LFW和MALF数据集上取得了很好的效果。