摘要: 人脸检测是图像处理、计算机视觉和模式识别领域一个难以回避的基础性问题，也对计算机视觉和模式识别领域的诸多问题起到了重要的支撑作用。近年来，基于深度学习的人脸检测方法取得了前所未有的检测精度。但由于真实场景的复杂多变，受人体姿态和取... 展开 人脸检测是图像处理、计算机视觉和模式识别领域一个难以回避的基础性问题，也对计算机视觉和模式识别领域的诸多问题起到了重要的支撑作用。近年来，基于深度学习的人脸检测方法取得了前所未有的检测精度。但由于真实场景的复杂多变，受人体姿态和取景角度的影响，采集到的人脸图像，时常会存在平面内旋转角度不确定等问题，这对人脸检测以及基于人脸的视觉任务带来了极大的挑战。针对旋转不变人脸检测面临的困难与挑战以及现有算法的不足之处，本文致力于研究非受控场景下平面内的旋转不变人脸检测算法，主要研究内容如下： 1.基于多任务渐进配准网络的实时旋转不变人脸检测算法。该算法以多个浅层卷积神经网络级联框架为基础架构，同时为了实现准确的人脸检测，充分融合低层眼睛、鼻子等轮廓信息和高层人脸空间结构、朝向以及上下文背景等语义信息。此外，该算法设计了新的误差函数，并将基于回归的角度配准任务转化为人脸关键点检测和角度计算两个步骤，避免网络训练过程中由于特征映射模糊造成的过拟合现象，提升网络在平面内旋转人脸条件下的检测准确率。 2.基于方向敏感特征集成网络的人脸检测算法。利用有效的表观特征对于提高检测器的性能至关重要。因为如果提取的表观特征不好,即便好的检测器也无法完成分类任务。为此，本文提出一种改进的SSD模型，通过引入角度预测过程来实现倾斜的边界框回归，同时将由粗及精的策略和软分类策略都纳入了角度预测的学习过程中，避免直接执行多分类任务带来的学习偏差问题。与之对应的，该算法在通用的人脸检测损失函数中增加了新的角度偏移损失，用以更好地监督人脸区域的生成。最后，为了提取有效的旋转特征，本文利用循环卷积层实现了方向敏感特征集成模块。 大量的实验结果证明本文所提的方法能够成功地应用于旋转不变的人脸检测任务。与现有的人脸检测器相比，不仅具有更高的准确性，同时保持实时性。在权威数据集FDDB和WIDERFACE进行评估，结果显示本文所提的方法超越了主流的通用目标检测网络。 收起