基于卷積神經(jīng)網(wǎng)絡(luò)的人臉檢測與特征點(diǎn)標(biāo)定算法研究.pdf

1、隨著數(shù)字圖像技術(shù)和深度學(xué)習(xí)技術(shù)的飛速發(fā)展，利用深度學(xué)習(xí)算法進(jìn)行數(shù)字圖像領(lǐng)域的信息獲取成為研究熱點(diǎn)。而人臉作為有效的生物學(xué)特征，一直備受關(guān)注。本文著眼于利用深度學(xué)習(xí)領(lǐng)域里的卷積神經(jīng)網(wǎng)絡(luò)模型對人臉檢測和特征點(diǎn)標(biāo)定方法進(jìn)行研究，并通過擴(kuò)充訓(xùn)練樣本、構(gòu)建級聯(lián)結(jié)構(gòu)等方式提出了更加高效的人臉檢測和特征點(diǎn)標(biāo)定算法。本文的主要研究內(nèi)容如下:
　　(1)人臉檢測算法研究。本文首先介紹了基于卷積神經(jīng)網(wǎng)絡(luò)(CNN)的人臉檢測算法。為提升算法的魯棒性，提

2、出了一種訓(xùn)練樣本擴(kuò)充策略，使該算法對人臉姿態(tài)、遮擋和光照影響均具有較好的檢測效果。針對圖像金字塔模型中存在誤檢人臉的問題，將非極大值抑制算法引入“去重消錯(cuò)”機(jī)制，有效降低了誤檢率。針對該算法檢測速度慢、誤檢率較高的問題，繼而研究了級聯(lián)卷積網(wǎng)絡(luò)人臉檢測算法，并使用Relu激活函數(shù)和Dropout隨機(jī)正則化策略進(jìn)行網(wǎng)絡(luò)訓(xùn)練，不僅加快了網(wǎng)絡(luò)的收斂速度，而且提高了泛化能力。
　　(2)特征點(diǎn)標(biāo)定算法研究。本文首先研究了基于卷積神經(jīng)網(wǎng)絡(luò)的特

3、征點(diǎn)標(biāo)定算法，并引入了局部權(quán)值共享策略。為進(jìn)一步提升標(biāo)定效果，提出了一種雙層級聯(lián)卷積網(wǎng)絡(luò)用于由粗到精的特征點(diǎn)定位。在該模型中，首先利用樣本擴(kuò)充策略提升系統(tǒng)的魯棒性;其次，在級聯(lián)結(jié)構(gòu)的第一層引入梯度特征，構(gòu)建像素域和梯度域并聯(lián)的網(wǎng)絡(luò)模型，并將兩者標(biāo)定結(jié)果進(jìn)行加權(quán)融合。實(shí)驗(yàn)表明，經(jīng)改進(jìn)的算法具有更低的標(biāo)定誤差，并對人臉受到姿態(tài)、表情、膚色、遮擋和光照影響等均具有較好的標(biāo)定效果。
　　(3)人臉檢測和特征點(diǎn)標(biāo)定軟件設(shè)計(jì)與實(shí)現(xiàn)。以本文提出