吳志洋，卓 勇，廖生輝

WU Zhiyang,ZHUO Yong,LIAO Shenghui

廈門大學(xué) 航空航天學(xué)院，福建 廈門 361005

College of Aerospace Engineering,Xiamen University,Xiamen,Fujian 361005,China

1 引言

人臉檢測(cè)是計(jì)算機(jī)視覺(jué)和模式識(shí)別中一個(gè)重要而又基礎(chǔ)的研究，同時(shí)也是眾多跟人臉相關(guān)應(yīng)用的關(guān)鍵環(huán)節(jié)，比如人臉識(shí)別、人證比對(duì)等。傳統(tǒng)計(jì)算機(jī)領(lǐng)域的研究者對(duì)人臉檢測(cè)的研究主要集中在人工設(shè)計(jì)特征提取器，如SIFT[1]、HOG[2]用傳統(tǒng)的機(jī)器學(xué)習(xí)算法訓(xùn)練有效的分類器來(lái)進(jìn)行圖像中的人臉檢測(cè)和識(shí)別任務(wù)。這樣的方法要求研究人員必須手工提取到有效的特征，然后對(duì)每個(gè)部分分別進(jìn)行優(yōu)化，這導(dǎo)致了在檢測(cè)過(guò)程中得到的往往是局部最優(yōu)而不是全局最優(yōu)?；贏daboost[3]的傳統(tǒng)人臉檢測(cè)算法現(xiàn)階段在速度上仍然具有明顯優(yōu)勢(shì)，而深度學(xué)習(xí)方法在檢測(cè)的準(zhǔn)確率上則可以取得更好的性能表現(xiàn)，比如，在人臉測(cè)評(píng)數(shù)據(jù)集FDDB[4]上，傳統(tǒng)方法只有85%的準(zhǔn)確率，而深度學(xué)習(xí)方法已超過(guò)95%，包括人臉識(shí)別的深度學(xué)習(xí)方法[5]也取得了極大進(jìn)展。因此，基于深度學(xué)習(xí)的人臉檢測(cè)方法已經(jīng)成為當(dāng)前的研究主流。

目前，基于深度學(xué)習(xí)的主流方法可以總結(jié)為三個(gè)步驟：首先，從一張圖片中提取目標(biāo)候選區(qū)，常用的方法有Selective Search[6]等；然后，把這些提取到的候選區(qū)送入一個(gè)卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行識(shí)別或者分類；最后，對(duì)某些分類結(jié)果的候選區(qū)進(jìn)行邊框微調(diào)。對(duì)于以上的三個(gè)環(huán)節(jié)，其中的瓶頸在于候選區(qū)的提取，即第一個(gè)環(huán)節(jié)，這個(gè)環(huán)節(jié)同時(shí)制約著物體檢測(cè)的準(zhǔn)確率與檢測(cè)速度。一方面，由于候選區(qū)提取環(huán)節(jié)是基于低級(jí)的語(yǔ)義特征的，且傳統(tǒng)的區(qū)域推薦算法對(duì)局部外觀變化敏感，導(dǎo)致了算法在許多情況下會(huì)失效，比如物體遮擋等情況；另一方面，大量的區(qū)域推薦算法基于圖像分割[6]或者是稠密的滑動(dòng)窗口形式[7]，這帶來(lái)了龐大的計(jì)算量，使得算法無(wú)法在實(shí)時(shí)的物體檢測(cè)系統(tǒng)中得到應(yīng)用。

為了克服這些缺陷，近幾年出現(xiàn)了一系列改進(jìn)的深度學(xué)習(xí)算法，大大加速了區(qū)域推薦環(huán)節(jié)。Zhang Xiang[8]等為檢測(cè)的目標(biāo)訓(xùn)練一個(gè)分類器，用一種高效的滑動(dòng)窗口的方式遍歷多張不同尺寸的圖像，實(shí)現(xiàn)了物體的分類與定位，由于檢測(cè)器需要在圖像金字塔上面遍歷所有層級(jí)的圖像，當(dāng)層級(jí)過(guò)多時(shí)，將耗費(fèi)大量的計(jì)算時(shí)間，而當(dāng)層級(jí)太少時(shí)，檢測(cè)效果則會(huì)明顯下降；Girshick R等[9]提出了R-CNN方法，該方法首先在一張圖像上產(chǎn)生2 000個(gè)候選區(qū)域，然后把這些區(qū)域送入SVM分類器，最后把含有物體的區(qū)域傳入下一個(gè)網(wǎng)絡(luò)進(jìn)行邊框的回歸，這種復(fù)雜的方式導(dǎo)致檢測(cè)速度慢，且每個(gè)部分是獨(dú)立訓(xùn)練的，造成優(yōu)化十分困難；為了克服這些問(wèn)題，Ren S等[10]提出了Faster R-CNN方法，在生成候選框的部分采用一個(gè)淺層的全卷積網(wǎng)絡(luò)RPN在每張圖像上生成約300個(gè)候選框，但是由于這些候選框的尺度和比例是提前設(shè)計(jì)好的，且是固定的，這就造成了當(dāng)圖像中物體尺寸范圍波動(dòng)較大時(shí)，RPN網(wǎng)絡(luò)表現(xiàn)不理想；Redmon J等[11]把物體檢測(cè)看作是一個(gè)簡(jiǎn)單的回歸問(wèn)題，把圖片劃分成7×7的網(wǎng)格，直接回歸出每個(gè)物體的種類與邊框，且不需要圖像金字塔，因而在檢測(cè)速度方面具有十分明顯的優(yōu)勢(shì)。然而，該方法對(duì)物體邊框信息的四個(gè)變量用L2損失函數(shù)（平方誤差）分別進(jìn)行回歸，這種過(guò)于簡(jiǎn)單的方式割裂了四個(gè)位置變量之間的關(guān)系，導(dǎo)致在物體定位上效果不夠理想且網(wǎng)絡(luò)訓(xùn)練不易收斂，而Jiang Y等[12]提出了IoU Loss避免了L2損失函數(shù)的缺陷，但在檢測(cè)速度上卻達(dá)不到實(shí)時(shí)性，很難應(yīng)用于實(shí)際的工程項(xiàng)目。

本文受回歸思想與IoU Loss的啟發(fā)，創(chuàng)造性地提出了結(jié)合回歸思想與檢測(cè)評(píng)價(jià)函數(shù)IoU作為損失函數(shù)的人臉檢測(cè)算法，該算法與傳統(tǒng)算法以及經(jīng)典深度學(xué)習(xí)算法相比具有如下3個(gè)優(yōu)點(diǎn)：

（1）應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)能夠自動(dòng)學(xué)習(xí)到數(shù)據(jù)中的特征，比傳統(tǒng)的人工設(shè)計(jì)特征更加有效。

（2）融合IoU函數(shù)克服了實(shí)時(shí)多目標(biāo)回歸算法變量分離的缺陷，使得模型的代價(jià)函數(shù)更加合理，不僅使原有的多目標(biāo)回歸算法在檢測(cè)不同尺度的人臉時(shí)更加魯棒，而且使得深度網(wǎng)絡(luò)的訓(xùn)練更加容易收斂。

（3）不需要采用圖片金字塔的方式，只需處理一個(gè)層級(jí)的圖片，較好地權(quán)衡了算法的檢測(cè)速度與檢測(cè)精度。

2 相關(guān)算法與分析

2.1 實(shí)時(shí)多目標(biāo)回歸算法YOLO

YOLO是Redmon J等[11]提出的一種通用物體檢測(cè)深度卷積神經(jīng)網(wǎng)絡(luò)模型，它主要由24個(gè)卷積層、4個(gè)最大池化層、2個(gè)全連接層、L2損失函數(shù)層組成，如圖1所示。圖中省略了激活函數(shù)層、Batch Normalization（BN）層[13]，其中C代表卷積層，P代表最大池化層，F(xiàn)C代表全連接層，L2 Loss代表平方損失層，且在所有的卷積層、倒數(shù)第二個(gè)全連接層后附加Leaky[11]激活函數(shù)層，所有卷積層之前帶有BN層。

圖1 網(wǎng)絡(luò)結(jié)構(gòu)示意圖（省略了激活函數(shù)層、BN層）

YOLO把物體檢測(cè)分開(kāi)的幾個(gè)部分整合到一個(gè)深度卷積神經(jīng)網(wǎng)絡(luò)中，整體流程如圖2所示，該方法把一張圖片分割成7×7個(gè)小網(wǎng)格，然后每個(gè)網(wǎng)格回歸出兩個(gè)包圍框，最后用NMS[14]算法合并多余的人臉框，得到最終的人臉區(qū)域。

其損失函數(shù)定義如下：

圖2 多目標(biāo)回歸算法示意圖

其中，Loss表示網(wǎng)絡(luò)的損失值；λpos=5；λnoobj=1；表示第i個(gè)網(wǎng)格中的第 j個(gè)包圍框含有物體中心，當(dāng)有物體中心時(shí)，=1，否則=0；表示第i個(gè)網(wǎng)格是否含有物體中心，如果有物體中心時(shí)，=1，否則為0；xi、yi表示預(yù)測(cè)出來(lái)的包圍框中心點(diǎn)坐標(biāo)相對(duì)于網(wǎng)格的大??；、表示訓(xùn)練圖片中標(biāo)記的物體邊框的中心點(diǎn)坐標(biāo)相對(duì)于網(wǎng)格的大??；wi、hi表示預(yù)測(cè)出來(lái)的包圍框的寬和高相對(duì)于整張圖片的大小；、表示訓(xùn)練圖片中標(biāo)記的物體邊框的寬和高相對(duì)于圖片的大小；Confij、Cofij分別表示第i個(gè)網(wǎng)格中預(yù)測(cè)的第 j個(gè)包圍框的置信度與第i個(gè)網(wǎng)格訓(xùn)練圖片標(biāo)注的置信度；pi(c)，(c)分別表示第i個(gè)網(wǎng)格預(yù)測(cè)出的類別概率和訓(xùn)練數(shù)據(jù)標(biāo)注的類別概率，其中位置參數(shù)如圖3示。

圖3 位置參數(shù)示意圖

2.2 YOLO算法缺陷分析

檢測(cè)評(píng)價(jià)函數(shù)IoU（Intersection over Union）是被用來(lái)評(píng)價(jià)模型檢測(cè)效果好壞的一個(gè)標(biāo)準(zhǔn)，表示的是兩個(gè)框的交集I和并集U的比例，如圖4所示：重疊程度越高，IoU值越大。其中紅色框是標(biāo)注框，綠色框是預(yù)測(cè)框，IoU函數(shù)表達(dá)式為IoU=I/U。

圖4 IoU示意圖

通過(guò)式（1）所示：模型的預(yù)測(cè)框參數(shù)x,y,w,h通過(guò)L2損失函數(shù)獨(dú)立進(jìn)行優(yōu)化，這樣的方式割裂了四個(gè)位置參數(shù)之間的強(qiáng)相關(guān)性?？梢缘贸觯?/p>

（1）在相同IoU的條件下，理論上網(wǎng)絡(luò)損失函數(shù)的貢獻(xiàn)應(yīng)該是均等的，但當(dāng)用L2損失函數(shù)時(shí)，如圖5所示，尺度大的人臉對(duì)損失函數(shù)所產(chǎn)生的誤差將大大超過(guò)小尺度人臉?biāo)a(chǎn)生的誤差，導(dǎo)致深度網(wǎng)絡(luò)在訓(xùn)練時(shí)，更加偏向于尺度較大的人臉，而容易忽略尺度較小的人臉，這對(duì)于網(wǎng)絡(luò)的收斂以及模型的檢測(cè)效果都將帶來(lái)負(fù)面影響。

圖5 相同IoU下的大小人臉

（2）人臉數(shù)據(jù)集中人臉尺寸的跨度較大，且小人臉占了一定的比例，在FDDB[4]中，分辨率為40×40的小人臉占到10%左右，在Wider Face[14]中則占到33%左右，也就意味著（1）中所分析的情況，如果采用L2 Loss，則帶來(lái)的缺陷是不可避免的。

（3）當(dāng)單獨(dú)優(yōu)化各個(gè)位置參數(shù)時(shí)，容易導(dǎo)致僅有部分變量回歸正確，如圖6所示，回歸出的人臉區(qū)域（綠色）僅有人臉區(qū)域的左上角坐標(biāo)回歸正確，而無(wú)法完全正確回歸出整個(gè)人臉位置。

圖6 位置參數(shù)單獨(dú)優(yōu)化的缺陷

3 融合多目標(biāo)回歸與IoU損失的人臉檢測(cè)算法MIFD（Multi-objective regression with IoU loss Face Detection）

3.1 算法的實(shí)時(shí)性分析

基于卷積神經(jīng)網(wǎng)絡(luò)的人臉檢測(cè)算法在檢測(cè)的準(zhǔn)確程度上比傳統(tǒng)人臉檢測(cè)算法有較大的優(yōu)勢(shì)，而在檢測(cè)速度上，大多數(shù)深度學(xué)習(xí)算法卻達(dá)不到實(shí)時(shí)性。

如基于Faster RCNN[14]的人臉檢測(cè)，其不能達(dá)到實(shí)時(shí)的核心問(wèn)題在于人臉推薦區(qū)域的環(huán)節(jié)上，其設(shè)計(jì)相當(dāng)于是用一個(gè)滑動(dòng)窗口對(duì)最后的特征圖上的每一個(gè)位置都進(jìn)行了估計(jì)，每個(gè)位置上預(yù)測(cè)9種不同尺度的候選區(qū)域，一張圖片約推薦2 000個(gè)候選區(qū)，代價(jià)在于采用滑動(dòng)窗口的方式十分耗時(shí)，且推薦了過(guò)多的候選區(qū)，而這些候選區(qū)還要進(jìn)入下一級(jí)網(wǎng)絡(luò)再次進(jìn)行特征提??；DenseBox[15]與Overfeat[8]則需要通過(guò)構(gòu)建多個(gè)層級(jí)的圖像金字塔來(lái)保證檢測(cè)效果，由于要處理多張圖像，將帶來(lái)巨大的計(jì)算量；Unibox[12]提出了一種不需要圖像金字塔的人臉檢測(cè)策略，通過(guò)對(duì)圖像中的每一個(gè)像素進(jìn)行分類（人臉與非人臉），以及在每一個(gè)像素預(yù)測(cè)出距離人臉邊界的距離，通過(guò)獲取人臉置信度大于閾值的像素以及該像素對(duì)應(yīng)的邊界距離來(lái)實(shí)現(xiàn)人臉檢測(cè)，但由于其對(duì)像素的分類提取的是網(wǎng)絡(luò)的淺層特征，往往會(huì)得到過(guò)多被預(yù)測(cè)為人臉的像素，遍歷這些像素需要較多的計(jì)算時(shí)間。

在多目標(biāo)回歸算法中，直接將輸入圖像劃分為7×7個(gè)網(wǎng)格，每個(gè)網(wǎng)格預(yù)測(cè)2個(gè)人臉區(qū)域，共有98個(gè)候選區(qū)，相比于Faster RCNN，這種網(wǎng)格劃分的方式在獲取候選區(qū)方面，速度上有著巨大的優(yōu)勢(shì)；相比于DenseBox與Overfeat，多目標(biāo)回歸算法則不需要構(gòu)建圖像金字塔；相比于Unibox，多目標(biāo)回歸算法則直接對(duì)這98個(gè)候選框進(jìn)行位置參數(shù)的調(diào)整，并不會(huì)產(chǎn)生不可預(yù)估的大量候選區(qū)。

為了實(shí)現(xiàn)實(shí)時(shí)檢測(cè)的目的，本文選擇多目標(biāo)回歸的機(jī)制進(jìn)行人臉檢測(cè)。

3.2 改進(jìn)思路

基于2.2節(jié)的算法缺陷分析，本文擬作如下改進(jìn)：

首先，發(fā)現(xiàn)IoU函數(shù)在面對(duì)任意尺度的人臉時(shí)，當(dāng)人臉預(yù)測(cè)框與標(biāo)注框（ground truth）具有相同的重合效果時(shí)，其IoU值是一致的，如果用IoU函數(shù)來(lái)作為位置參數(shù)的損失函數(shù)，將能夠避免2.2節(jié)中（1）、（2）所分析的缺陷，即克服了不同人臉尺度帶來(lái)誤差不均衡的問(wèn)題。

其次，從2.1節(jié)式（1）中截取了部分關(guān)于位置參數(shù)的L2損失函數(shù)，令，則，可以看出 xi,yi的梯度并無(wú)牽連。當(dāng)用IoU作為損失函數(shù)時(shí)，如果一個(gè)網(wǎng)格中包含物體中心，其IoU值應(yīng)為1，當(dāng)不包含物體中心時(shí)，其IoU值應(yīng)為0，因此，將該輸出情況看作0～1分布，引入交叉熵?fù)p失函數(shù)來(lái)對(duì)IoU進(jìn)行優(yōu)化，約束模型的輸出分布與訓(xùn)練數(shù)據(jù)標(biāo)簽分布的一致性。設(shè)期望的輸出分布為 p，則在含有物體中心的網(wǎng)格，p=1，則交叉熵?fù)p失函數(shù)為：J2=-pln(IoU)-(1-p)ln(1-IoU)=-ln(IoU)，對(duì) J2求導(dǎo)數(shù)得：

從式（2）可以看出，各個(gè)變量的梯度都是關(guān)于xi，yi，，的函數(shù)，即網(wǎng)絡(luò)在更新參數(shù)時(shí)，是進(jìn)行聯(lián)動(dòng)更新，而非獨(dú)立優(yōu)化四個(gè)位置參數(shù)，更具體的求導(dǎo)公式參考3.2節(jié)。

此外，由于IoU的取值范圍為[0，1]，自動(dòng)地將任意尺度的輸入數(shù)據(jù)標(biāo)簽進(jìn)行了歸一化處理。

3.2.1 IoU函數(shù)前向傳播算法

前向傳播算法如下所示。

前向傳播算法（Forward）步驟如下：

輸入：G表示訓(xùn)練樣本中的標(biāo)注框

P表示模型預(yù)測(cè)出的包圍框

輸出：L表示位置參數(shù)的損失

步驟1：對(duì)含有物體中心的網(wǎng)格進(jìn)行如下計(jì)算：

步驟2：對(duì)不含物體中心的網(wǎng)格：

L=0

其中，X表示預(yù)測(cè)出的包圍框的面積；X表示訓(xùn)練標(biāo)注框的面積；Gx、Gy、Px、Py分別表示預(yù)測(cè)出的包圍框和訓(xùn)練標(biāo)注框的中心點(diǎn)坐標(biāo)值；Gw、Gh、Pw、Ph分別表示預(yù)測(cè)出的包圍框和訓(xùn)練標(biāo)注框的寬和高；I表示預(yù)測(cè)框與標(biāo)注框的交集；U表示預(yù)測(cè)框與標(biāo)注框的并集；Iw、Ih表示預(yù)測(cè)框和標(biāo)注框交集部分的寬和高，參考圖3。

3.2.2 IoU函數(shù)反向傳播算法

為了更簡(jiǎn)潔地描述反向傳播算法的計(jì)算公式，本文進(jìn)行了相應(yīng)的符號(hào)規(guī)定：?pI表示I對(duì)P中任意一個(gè)參數(shù)的偏導(dǎo)數(shù)，即 ?pI為?pxI、?pyI、?pwI、?phI中任意一個(gè)；?pX表示X對(duì)P中任意一個(gè)參數(shù)的偏導(dǎo)數(shù)；且令：

則位置信息損失函數(shù)L對(duì)預(yù)測(cè)框的梯度為：

其中，

式（3）～（8）即為隨機(jī)梯度下降算法的深度網(wǎng)絡(luò)位置參數(shù)的學(xué)習(xí)算法。

3.3 深度網(wǎng)絡(luò)結(jié)構(gòu)MIFD及整體損失函數(shù)IoU Loss

本文基于實(shí)時(shí)多目標(biāo)回歸模型YOLO，融合IoU函數(shù)，構(gòu)建了本文的模型結(jié)構(gòu)，如圖7所示。

圖7 本文提出的網(wǎng)絡(luò)結(jié)構(gòu)MIFD示意圖

IoU Loss定義如下：

其中，ln(IOUij)表示取第i個(gè)網(wǎng)格的第 j個(gè)包圍框與標(biāo)注信息IoU的對(duì)數(shù)值，其余參數(shù)的含義與取值參考公式（1）中的相關(guān)說(shuō)明。

4 實(shí)驗(yàn)結(jié)果與分析

4.1 模型訓(xùn)練策略

實(shí)驗(yàn)建立在64位的Linux操作系統(tǒng)和NVIDIA GTX Geforce 1080 GPU的服務(wù)器上，采用的深度學(xué)習(xí)框?yàn)閏affe，下載地址為：https：//github.com/BVLC/caffe，相關(guān)軟件有Python2.7版本、Matlab2014b版本。

為驗(yàn)證本文提出的算法MIFD在圖像中人臉檢測(cè)的有效性，采用的數(shù)據(jù)集為香港中文大學(xué)公開(kāi)的人臉檢測(cè)基準(zhǔn)數(shù)據(jù)集Wider Face[16]，有32 203張圖片，共包含393 703張人臉，全部手工標(biāo)注，標(biāo)注的人臉有較大程度的尺寸、姿態(tài)和遮擋等變化。另一個(gè)數(shù)據(jù)集為馬薩諸塞大學(xué)計(jì)算機(jī)系維護(hù)的一套公開(kāi)數(shù)據(jù)庫(kù)FDDB[4]，共有2 845張圖片包含5 171張人臉，涵蓋了在自然環(huán)境下的各種姿態(tài)的人臉。Wider Face分為2個(gè)部分，分別用于訓(xùn)練集、驗(yàn)證集，F(xiàn)DDB為測(cè)試集。

為了方便本文提出的算法MIFD與YOLO的算法對(duì)比，訓(xùn)練兩個(gè)模型時(shí)，采取了相同的訓(xùn)練數(shù)據(jù)與訓(xùn)練策略，圖片均劃分為11×11個(gè)網(wǎng)格。將每張訓(xùn)練圖片隨機(jī)截取面積不小于圖片面積70%，舍棄殘缺的標(biāo)注框，對(duì)保留下來(lái)的框的坐標(biāo)進(jìn)行相應(yīng)的變換，然后截取的區(qū)域縮放到448×448，作為數(shù)據(jù)增強(qiáng)的手段，來(lái)減小過(guò)擬合。初始學(xué)習(xí)率（learning rate）設(shè)置為1×10-5，每個(gè)批次的圖片數(shù)量（batch size）為32，網(wǎng)絡(luò)從YOLO的原始模型獲得初始權(quán)重，采用隨機(jī)優(yōu)化算法Adam[17]進(jìn)行網(wǎng)絡(luò)訓(xùn)練。

4.2 實(shí)驗(yàn)結(jié)果與分析

4.2.1 MIFD與YOLO的性能對(duì)比

圖8為本文算法MIFD和YOLO算法的人臉檢測(cè)效果圖，可以看到：YOLO采用了L2 Loss，在面對(duì)不同尺度的人臉時(shí)，本文提出的MIFD更具魯棒性；L2 Loss不采用位置參數(shù)聯(lián)合優(yōu)化的方式，雖然能夠?qū)⒛承┏叨认碌娜四樋蜃?，但是框住人臉的?zhǔn)確程度卻不如IOU Loss。

圖8 檢測(cè)結(jié)果圖

為進(jìn)一步比較本文算法與基礎(chǔ)算法的性能，本文將兩個(gè)模型在人臉數(shù)據(jù)庫(kù)FDDB上進(jìn)行測(cè)試，繪制ROC曲線（圖9），并給出模型訓(xùn)練時(shí)Loss的收斂情況（圖10）。

圖9 MIFD與YOLO的ROC曲線對(duì)比

圖10 訓(xùn)練情況對(duì)比

如圖9所示，橫軸表示圖像中非人臉區(qū)域被誤檢為人臉的數(shù)量，YOLO的誤檢數(shù)量為275，MIFD的誤檢數(shù)量為205，誤檢率降低了（275-205）/275=24.5%；縱軸表示人臉區(qū)域被正確檢出的比例，YOLO為82.5%，MIFD達(dá)到91.2%，準(zhǔn)確率提高了91.2%-82.5%=8.7%；如圖10所示，橫坐標(biāo)代表訓(xùn)練迭代次數(shù)，縱坐標(biāo)代表訓(xùn)練過(guò)程中的Loss值，可以看出，MIFD最終的loss比YOLO模型的更小，且更為穩(wěn)定，充分說(shuō)明了本文算法在加快訓(xùn)練收斂的有效性。

4.2.2 MIFD與傳統(tǒng)主流人臉檢測(cè)算法Adaboost的對(duì)比

基于Opencv庫(kù)的Adaboost分類器，在CPU模式下進(jìn)行對(duì)比分析。從FDDB人臉庫(kù)中隨機(jī)抽取1 000張圖片，共含有1 605張人臉，進(jìn)行算法性能比較。

從表1可以得出，本文提出的方法相比于傳統(tǒng)的人臉檢測(cè)算法Adaboost，檢測(cè)精度上：準(zhǔn)確率提升了7.9%，漏檢率減少了7.88%，誤檢率減少了30.5%；檢測(cè)速度上：Adaboost則具有明顯的優(yōu)勢(shì)，MIFD可通過(guò)GPU加速來(lái)彌補(bǔ)檢測(cè)速度上的不足。

表1 MIFD與Adaboost算法性能比較

4.2.3 MIFD與其他深度學(xué)習(xí)方法對(duì)比

這部分對(duì)比包括檢測(cè)精度與檢測(cè)速度，選取了其他四種經(jīng)典的人臉檢測(cè)深度學(xué)習(xí)算法進(jìn)行檢測(cè)精度上的比較，分別是CascadeCNN[18]、Boosted Exemplar[19]、PEPAdapt[20]、Faster-RCNN[14]，將這些算法在FDDB數(shù)據(jù)集上進(jìn)行評(píng)估，繪制ROC曲線，在1080 GPU的服務(wù)器上進(jìn)行測(cè)試，結(jié)果如圖11所示。

圖11 各算法檢測(cè)效果比較

選取了MIFD、YOLO、Faster RCNN進(jìn)行了算法檢測(cè)速度的比較，結(jié)果如表2所示。

表2 模型檢測(cè)速度對(duì)比

通過(guò)圖11可以得出，本文提出的算法MIFD在誤檢數(shù)量上低于其他深度學(xué)習(xí)方法；在檢測(cè)準(zhǔn)確率上不如Faster RCNN方法，但與其他深度學(xué)習(xí)方法相比，仍然具有明顯優(yōu)勢(shì)。根據(jù)表2可以得出，MIFD的檢測(cè)速度達(dá)到38 f/s，能達(dá)到實(shí)時(shí)檢測(cè)人臉的目的，速度是Faster RCNN的4.13倍，在檢測(cè)速度上具有十分明顯的優(yōu)勢(shì)。因此，本文算法MIFD在檢測(cè)精度與檢測(cè)速度上取得了一個(gè)很好的權(quán)衡。

5 結(jié)束語(yǔ)

構(gòu)建實(shí)用的人臉檢測(cè)相關(guān)的應(yīng)用系統(tǒng)，需要解決自然環(huán)境下的各種姿態(tài)、不同尺度人臉的檢測(cè)準(zhǔn)確性、魯棒性問(wèn)題，同時(shí)在檢測(cè)速度上必須達(dá)到一定的要求。本文基于深度卷積神經(jīng)網(wǎng)絡(luò)自動(dòng)學(xué)習(xí)特征的優(yōu)越特性，且基于實(shí)時(shí)多目標(biāo)回歸思想，使得提出的算法滿足了檢測(cè)實(shí)時(shí)性的要求；同時(shí)，分析了實(shí)時(shí)多目標(biāo)回歸算法割裂了位置參數(shù)之間的關(guān)系，造成了模型的檢測(cè)效果不夠理想的問(wèn)題，針對(duì)存在的缺陷，引入了IOU函數(shù)，把位置參數(shù)變量融合為一個(gè)整體進(jìn)行優(yōu)化，克服了該缺陷，提升了檢測(cè)效果。實(shí)驗(yàn)結(jié)果表明：提出的算法在人臉檢測(cè)的精度以及檢測(cè)速度上取得了一個(gè)較好的平衡，檢測(cè)精度上優(yōu)于傳統(tǒng)主流的Adaboost算法，檢測(cè)速度也能夠達(dá)到實(shí)時(shí)性，該算法可用于出入口人證比對(duì)、視頻監(jiān)控分析等人臉相關(guān)的視覺(jué)系統(tǒng)。

參考文獻(xiàn)：

[1]Lowe D G.Distinctive image features from scale invariant keypoints[J].International Journal of Computer Vision，2004，60（2）：91-110.

[2]Dalal N，Triggs B.Histograms of oriented gradients forhuman detection[C]//Proceedings of IEEE Computer Society Conference on Computer Vision and Pattern Recognition.Los Alamitos：IEEE Computer SocietyPress，2005：886-893.

[3]曾鴻軍，沈燕飛，王毅.基于感興趣區(qū)域的頭像視頻前處理方法[J].計(jì)算機(jī)工程與應(yīng)用，2017，53（6）：188-192.

[4]Jain V，Learned-Miller E.FDDB：A benchmark for facedetection in unconstrained settings[R].UMass Amherst-Technical Report，2010：222-231.

[5]張國(guó)云，向燦群，羅百通，等.一種改進(jìn)的人臉識(shí)別CNN結(jié)構(gòu)研究[J].計(jì)算機(jī)工程與應(yīng)用，2017，53（17）：180-185.

[6]Uijlings J R R，Sande K E A V D，Gevers T，et al.Selective search for object recognition[J].International Journal of Computer Vision，2013，104（2）：154-171.

[7]Zitnick C L，Dollar P.Edge boxes：Locating object proposals from edges[C]//European Conference on Computer Vision，2014：162-172.

[8]Zhang Xiang，Sermanet P.Overfeat：Integrated recognition，localization and detection using convolution networks[C]//Proceedings of IEEE Computer Society Conference on Computer Vision and Pattern Recognition.Columbus：IEEE Computer Society Press，2014：651-667.

[9]Girshick R，Donahue J，Darrell T，et al.Rich feature hierarchies for accurate object detection and semantic segmentation[C]//Proceedings of 2014 IEEE Conference on Computer Vision and Pattern Recognition，2014：580-587.

[10]Ren S，He K，Girshick R，et al.Faster R-CNN：Towards real-time object detection with region proposal networks[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2015，39（6）：1137-1148.

[11]Redmon J，Divvala S，Girshick R，et al.You only look once：Unified，real-time object detection[C]//Proceedings of IEEE Computer Society Conference on Computer Vision and Pattern Recognition.Las Vegas：IEEE Computer Society Press，2016：779-788.

[12]Jiang Y，Jiang Y，Cao Z，et al.UnitBox：An advanced object detection network[C]//ACM on Multimedia Conference，2016：516-520.

[13]Ioffe S，Szegedy C.Batch normalization：Accelerating deep network training by reducing internal covariate shift[J].Computer Science，2015，70（2）：23-35.

[14]Jiang H，Learned-Miller E.Face detection with the Faster RCNN[EB/OL].[2016-07-10].http：//arxiv.org/abs/1606.03473.

[15]Huang L，Yang Y，Deng Y，et al.DenseBox：Unifyinglandmark localization with end to end object detection[J].Computer Science，2015，26（3）：254-267.

[16]Yang S，Luo P，Chen C L，et al.WIDER FACE：A face detection benchmark[C]//Proceedings of IEEE Computer Society Conference on Computer Vision and Pattern Recognition，2016：5525-5533.

[17]Kingma D P，Ba J.Adam：A method for stochastic optimization[J].Computer Science，2014，32（3）：111-125.

[18]Li H，Lin Z，Shen X，et al.A convolutional neural network cascade for face detection[C]//Proceedings of IEEE Computer Society Conference on Computer Vision and Pattern Recognition，2015：5325-5334.

[19]Li H，Lin Z，Brandt J，et al.Efficient boosted exemplar based face detection[C]//Proceedings of IEEE Computer Society Conference on Computer Vision and Pattern Recognition，2014：1843-1850.

[20]Li H，Hua G，Lin Z，et al.Probabilistic elastic part model for unsupervised face detector adaptation[C]//Proceedings of 2014 IEEE International Conference on Computer Vision，2014：793-800.