论文部分内容阅读
人脸检测作为计算机视觉的一个重要分支正受到越来越多的关注。当头部姿态的幅度变化较大时,人脸的外观、轮廓等特征差异较大,从而导致人脸检测的准确率下降。因此,本文致力于研究平面内多姿态条件下的人脸检测算法,并将其应用在多姿态人脸识别身份验证系统中。本文主要研究内容如下:(1)平面内多姿态人脸检测算法。针对在平面内多姿态条件下人脸检测准确率下降的问题,本文设计了一个对平面内人脸旋转鲁棒的RIN(Rotation Invariant Network)算法。该算法以三级卷积神经网络级联为基础架构,为了使网络整体对平面内人脸旋转具有鲁棒性,本文在前两级网络中加入朝向估计任务并用全局平均池化层取代相应全连接层,同时为了解决浅层网络无法充分利用目标特征的问题,本文将密集连接引入特征提取层,充分融合低层眼睛、鼻子等轮廓信息和高层人脸空间结构及朝向等语义信息,提升网络在平面内多姿态人脸条件下的检测准确率。(2)多姿态人脸识别身份验证系统的设计与实现。为了实现在三维空间中具有较好识别效果的人脸识别身份验证系统,本文将RIN算法应用于该系统的人脸检测模块,以FaceNet作为人脸特征提取模块。利用RIN算法得出的人脸矩形框和关键点信息,进行人脸对齐得到竖直方向人脸,消除平面内变化的人脸对人脸验证的影响。针对竖直方向人脸在转动角和平动角变化的情形,本文用实验论证了FaceNet在这两种情形下进行人脸验证的有效性,并得出了多姿态人脸识别身份验证系统的合适阈值。本文针对该系统设计了相应的界面,可将人脸检测及其验证的结果进行可视化显示。为验证本文提出的RIN算法,本文先将FDDB数据集扩充成四类朝向的数据集,分别为原始数据集(FDDB-up)、FDDB-right数据集(将FDDB-up顺时针旋转90°)、FDDB-down数据集(将FDDB-up顺时针旋转180°)、FDDB-left数据集(将FDDB-up顺时针旋转270°)。实验表明,出现100个误检时,RIN算法在FDDB-up数据集的召回率为88.0%,在FDDB-right数据集的召回率为87.3%,在FDDB-down数据集的召回率为87.6%,在FDDB-left数据集的召回率为87.4%。CPU上检测速度为25FPS,GPU上检测速度为41FPS。将本文提出的RIN算法应用到人脸识别身份验证系统中进行测试,可以很明显地发现当人脸在平面内旋转角度较大时,系统能够进行很好的识别。