翟進有 代冀陽 王嘉琦 應進

摘要：傳統(tǒng)的人臉識別算法如SVM，等都需要人為的進行特征提取。該文以經典的深度卷積神經網(wǎng)絡和殘差網(wǎng)絡進行特征提取，結合區(qū)域搜索網(wǎng)絡，設計出一種自學習的人臉檢測算法。該文通過搭建多種不同深度的殘差網(wǎng)絡和卷積網(wǎng)絡模型，結合區(qū)域搜索網(wǎng)絡進行實驗研究，在人臉檢測數(shù)據(jù)集上進行訓練和測試，最終測試結果顯示該算法對遮擋不明顯的人臉圖像檢測效果較SVM算法更好。

關鍵詞：殘差網(wǎng)絡多捷聯(lián)式；殘差學習；時間復雜度

中圖分類號：TP391.4 文獻標識碼：A 文章編號：1009-3044（2019）04-0182-02

在現(xiàn)實世界中進行人臉檢測，由于姿態(tài)，表情，角度以及光線照明因素造成的視覺變化，導致計算機難以準確檢測。因此，需要先進且高效的辨別模型來準確的區(qū)分出背景和人臉。

1994年初Vaillant et al等人應用神經網(wǎng)絡進行人臉檢測，他們提出訓練一個卷積神經網(wǎng)來檢測圖像窗口中人臉的存在或缺失，并在網(wǎng)絡的所有可能位置掃描整個圖像。1996年，Rowley等人提出了一個視網(wǎng)膜連接的神經網(wǎng)絡，用于智力的正面人臉檢測。該方法在兩年后被擴展用于旋轉不變式人臉檢測，使用“路由器”網(wǎng)絡來估計人臉位置并應用適當?shù)臋z測器網(wǎng)絡。2002年，Garcia等人，設計出一個神經網(wǎng)絡來檢測復雜圖像中的版正面人臉。2005年，Osadchy等人，訓練出用于同時進行人臉檢測和姿態(tài)估計的網(wǎng)絡。

自從Viola等人做出了開創(chuàng)性的工作以來，具有簡單特征的增強級聯(lián)網(wǎng)絡成為人臉檢測中最流行和有效的方法。功能簡單的特性能夠使得人臉檢測達到快速評估的效果。Viola-Jones等人設計的最原始的人臉檢測器使用Haar特征，該特征可以快速的評估人臉正面的辨識度。然而，由于Haar特征的簡單性，使得該人臉檢測器在面對不同姿態(tài)，意外照明以及面部有遮擋的情形下效果較差。

1人臉識別網(wǎng)絡

通過檢測結果可以看出，本文提出的區(qū)域搜索網(wǎng)絡模型在人臉檢測數(shù)據(jù)集上能夠獲得較好的效果，而在訓練的過程中我們沒有觀察到退化現(xiàn)象，因此可以從大量增加深度上顯著提高準確度。所有評估指標都體現(xiàn)了深度的好處。通過采用更深的網(wǎng)絡模型能夠獲得更好的檢測效果。

3 結語

針對人臉識別的實時性與準確性要求，以卷積神經網(wǎng)絡為基礎，搭建了多種深度的網(wǎng)絡模型進行訓練，并且通過比較各網(wǎng)絡的性能優(yōu)劣，最終找到檢測準確率最高的網(wǎng)絡?；谏疃葰埐罹W(wǎng)絡的人臉檢測算法，相較于傳統(tǒng)的檢測算法可以避免人為提取目標特征而帶來的誤差，在識別精度上有了巨大的提升。對于復雜背景下的目標，深度殘差網(wǎng)絡的捷徑反饋機制能夠有效地降低網(wǎng)絡訓練的難度，使得更深層次的網(wǎng)絡依然能夠有效地訓練使用。使用深度殘差網(wǎng)絡的目標檢測應用于無人機目標識別中，通過準確率與檢測時間的綜合性能考慮要更優(yōu)于傳統(tǒng)的深度卷積神經網(wǎng)絡。

然而本文所研究的目標數(shù)據(jù)集依然較少，在以后的研究中需要獲取更大更多的人臉數(shù)據(jù)集，并且搭建更深層次，性能更優(yōu)的網(wǎng)絡以及更高效的特征提取來提高目標檢測的準確率與檢測時間。且本文中所采用的人臉檢測數(shù)據(jù)集大部分都是正面和側面照，缺少具有遮擋的人臉數(shù)據(jù)，因此對于有部分遮擋住的人臉檢測效果并不是很好，數(shù)據(jù)集的豐富性仍然有待提高。

參考文獻：

[1] 李偉，張旭東.基于卷積神經網(wǎng)絡的深度圖像超分辨率重建方法[J].電子測量與儀器學報，2017，31（12）：1918-1928.

[2] 蔣帥.基于卷積神經網(wǎng)絡的圖像識別[D].吉林：吉林大學，2017.

[3] Chang L， Duarte M M， Sucar L E， et al. A Bayesian approach for object classification based on clustersof SIFT local features[J]. Expert Systems with Applications， 2012， 39（2）： 1679-1686.

[4] Saxe A M， McClelland J L， Ganguli S. Exact solutions to the nonlinear dynamics of learning in deep linear neural networks[J]. arXiv preprint arXiv：1312.6120， 2013.

[5] He K， Zhang X， Ren S， et al. Delving deep into rectifiers： Surpassing human-level performance on imagenet classification[C]//Proceedings of the IEEE international conference on computer vision，2015： 1026-1034.

【通聯(lián)編輯：代影】