基于改进S3FD网络的人脸检测算法

李宇豪，吕晓琪,2*，谷 宇，张 明,3，李 菁

(1.内蒙古科技大学 信息工程学院 内蒙古自治区模式识别与智能图像处理重点实验室，包头 014010；2.内蒙古工业大学 信息工程学院，呼和浩特 010051；3.大连海事大学 信息科学技术学院，大连116026)

引 言

人脸检测是计算机视觉领域主要关注点，在人脸对齐、人脸分析、人脸识别和人脸跟踪等领域有着广泛的应用。给定一幅图像，人脸检测的目标是确定是否存在任何人脸。如果有，则返回每个人脸的边界框。早期人脸检测采用模板匹配技术与手工特征，其代表性成果是ROWLEY等人提出的方法[1-2]。ROWLEY的方法有不错的精度，但由于分类器的设计和密集滑动窗口的采样设计导致速度太慢。2001年,VIOLA和JONES[3]设计了Viola-Jones(VJ)框架。之后部分可变形模型(deformable part models，DPM)被一些工作[4-6]用来处理人脸检测任务。随着机器学习以及深度学习在计算机视觉领域的不断发展，且卷积神经网络(convolutional neural networks，CNN)在ImageNet分类任务[7]取得进展，利用神经网络进行目标检测逐步成为主流技术方法[8-9]。级联网络(CascadeCNN)[10]延续了VIOLA和JONES的想法,实现了不错的检测效果。QIN等人[11]提出整体训练CascadeCNN，从而实现优化。Faceness利用人脸属性分类的卷积神经网络来检测部分遮挡的人脸[12]。多任务卷积神经网络(multi-task convolutional neural networks,MTCNN)[13]进一步拓展了级联CNN的思想,还有部分采用目标检测领域的思想，将整体网络结构分为P-Net,R-Net和O-Net。JIANG等人[14]将faster R-CNN[15]应用到人脸检测取得较好的效果。基于上下文的多尺度区域的卷积神经网络(contextual multi-scale region-based CNN,CMS-R-CNN)[16]采用上下文信息帮助进行人脸检测从而提升了性能，将网络整体分为上部分采用区域生成网络(region proposal network，RPN)进行检测,下部分结合人体的人脸长宽等信息进行检测。……