论文部分内容阅读
目前人脸检测和人脸对齐在光照良好、人脸无遮挡、无极端人脸姿态、图像分辨率较高的情况下已经基本实用化,例如在人证比对,美颜相机等近距离情况下的人脸检测对齐应用。但是在非控场景下的人脸对齐和人脸检测还不尽如人意,尤其是在复杂的人脸姿态表情、严重的人脸遮挡、外界环境背景复杂、光照条件差、图像分辨率低、人脸分辨率低等情况下不能做到较好的人脸对齐和人脸检测,而实时性检测更加难以做到。随着深度学习等人工智能算法的日益成熟,在非控场景下的人脸对齐和人脸检测技术得到了很大改善。本文研究了在非控场景下基于卷积神经网络的人脸对齐算法和自下而上的人脸检测算法,其主要工作如下:1.对比分析了基于模型匹配、基于级联回归、基于深度学习三类人脸对齐算法,提出一种基于卷积神经网络的人脸对齐算法。采用多任务学习策略和训练数据增广策略,使用稠密网络和6个级联网络进行人脸相关关键点检测和关键点位置关系检测,实现了基于卷积神经网络的人脸对齐算法。实验测试表明,在不同姿态、不同遮挡程度、不同光照条件下,本文算法在非控场景下比其它算法具有较明显的优势,且在公开的数据集(AFLW)进行平均误差评测结果为6.8%。2.对比分析了基于级联、基于可变形部件模型、基于深度学习三类人脸检测算法,提出一种自下而上的人脸检测算法。采用先进行人脸关键点定位再基于知识方法计算人脸框坐标,利用非极大抑制算法进行重叠人脸框的去除,实现了一种自下而上的人脸检测算法。实验测试表明,在不同姿态、不同遮挡程度、不同光照条件下,本文算法比其它算法有更强的鲁棒性,且检测时间受一张图片中的人脸数量影响较小。从公开的测试集(FDDB)得到离散的受试者工作特征曲线来看,存在1500个误检人脸时召回率为0.98。3.为了实现非控条件下的实时性人脸检测及人脸对齐,采用多线程并行处理,并对级联网络个数进行了优化。实验测试表明,从公开的测试集(FDDB)离散受试者工作特征曲线来看,存在1000个误检人脸时,采用2个级联网络比采用6个级联网络召回率仅低0.1,检测速度有了很大提升。通过在监控场景下的实际测试,输入图像分辨率为1920?1080,使用图像处理器(Nvidia Gefore GTX1070),CPU为Inter Core i7-7700HQ@2.8GHz,4核心8线程,能检测到最小脸分辨率为12?12,平均检测帧率为10.2fps,和其它算法相比,本文算法具有一定的实用价值。