1、基于深度学习网络的人脸检测技术研究 贾加 中国交通通信信息中心 摘 要： 目前, 自动的人脸检测技术运用非常广泛, 可以帮助迅速定位图像位于人脸哪个区域并进行识别;本文提出了一种基于深度学习网络的人脸检测识别方法。这种方法是一种通过密度连接的深度学习网络, 这个网络能够很好的连接网络内部和网络之间的信息, 在信息传播时候能够很好的保存数据信息。实验结果表明, 我们提出的人脸检测算法能够得到非常好的结果。关键词： 人脸检测技术; 网络结构; 图像检测; 一、背景随着科学技术的不断进步, 人类关于图像的理解也越来越丰富。现在我们不仅想获得越来越多的图像, 更多的是希望分析图像。我们这里提出的人脸自
2、动检测, 是利用计算机技术对图像进行分析处理, 可以自动迅速定位图像位于人脸哪个区域并进行识别。这种自动检测技术, 在现今的大数据时代, 具有非常重要的意义。现在国内外有很多机构都致力于人脸检测定位技术的研究, 国外包括 MIT CMU等机构, 国内包括清华大学, 北京大学, 中国科学技术研究院等研究院所, 但是人脸检测往往都是非常困难。首先人与人之间的差距比较大, 一个简单的人脸模型往往不能覆盖其他的人脸模型;其次人脸图像周围的环境变化也很大, 这样人脸图像需要识别的地方往往容易受到周围环境的影响, 比如不同的阳光强度、不同的天气状况和不同的眼镜形状或者根本不带眼镜等情况。但随着技术的发展,
3、 深度学习技术已经突破了传统的机器学习技术, 同时在很多方面, 比如检测、定位、分割、识别等都取得了突破性的进展, 例如 Alex Net、Res Net 等。本文结合深度学习技术, 提出一种具有丰富密度连接的人脸检测技术。二、方法2.1 测试数据我们利用的数据库是 Face Datasets 数据库2, 这个数据库包含有 10000+张图像, 这些图像被经常用作各类的人脸检测处理, 比如检测识别和分割等。我们这里测试用的图像设置图像均值, 小于 32*32 的像素点的图像占 95.3%、小于 64*64 的像素点占 99.91%, 同时我们随机去除图像中的 ROI 区域, 最后得到98426
4、5 张图像。2.2 网络结构深度学习网络可以模仿人类的脑组织结构并且能够自动学习分析层次信息, 在近几年引起了整个学界以及工业界的注意。因为普通的算法都具备开发者自己的设计特征, 但是深度学习网络可以通过输入的大数据3, 利用特定的设置目的, 自动学习出我们需要的特征。我们设计的网络结构包括两层网络结构, 并且在每层结构之后都跟着一个下采样的操作, 在最后一个下采样层, 我们插入一个全连接层;第一层的网络结构包括 8 个特征, 第二层网络包括 16 个特征层。图像中所有的卷积操作都是 3*3 的大小的过滤层。在最有一层的输出中, 通过判断这个值是 0 或者 1 来判断这个区域是否包含图像。同时
5、这里还引入了丰富的密度连接, 使每个神经元都和它周围的神经元连接;网络结构我们使用了残差网络结构, 每个卷积层之后都跟着一个归一化层, 在最后进行一个残差操作。因为对于残差网络的研究表明, 残差网络能够学习出统一的映射, 这种映射实际上是对于已经学好的特征进行的不断的修正, 这种不断的修正最终能够实现出最后的分类结果。具体结构见图1。图 1 网络结构 下载原图3.3 网络测试如何更好测试一个网络, 关系到这个网络结构的结果精度, 在这里我们采用一个随机的初始值, 然后根据初始值, 进行基于模板梯度的随机下降法进行测试训练。我们没有采用量的提升, 而是采用了 ADAM 算法来进行测试训练, 同时
6、L2 正则化也加入用来缓解过拟合的发生。整个测试训练在 Tesla K40c GPU 上进行训练4, 随着整个过程的推进, 采取了早期停止的方法, 当看到验证精度下降时就停止, 用于预防过拟合。三、实验结果我们把实验结果和 Harini 等人提出的算法5进行了比较, 比较结果在图 2 (a) 中和图 2 (b) 中。从图 2 中, 我们可以看到, 我们的结果超过了其他的方法。同时, 为了更好解释有关人脸检测的结果, 通过检测结果我们可以看到对于同一个人在不同的环境中的图像, 我们提出的算法都能够很好的检测到人脸并且精确定位到人脸的区域。这个结果也显示出了我们提出的网络结构在未来应用的商业潜力。
7、图 2 计算结果比较 下载原图四、结论本文提出了一种基于深度学习的人脸检测分类方法, 我们设计出的网络结构包括两层网络结构以及具备丰富的密度连接, 并在结构中我们充分利用了网络结构的深层次信息。同时网络结构中也引入了残差网络结构的思想, 实验结果表明我们提出的算法超过了现存的图像监测方法。参考文献1M.Abramowitz and I.Stegun, editors.Handbook of Mathematical Functions.Dover, New York, 1970. 2J.Dickey.Multiple hypergeometric functions:Probabilistic interpretations and statistical uses.Journal of the American Statistical Association, 78:628637, 1983. 3T.Minka.Estimating a Dirichlet distribution.Technical report, M.I.T., 2000
