基于改进的Cascade R-CNN算法的低光照人脸检测方案

陶 也

（西北工业大学 计算机学院，陕西 西安 710129）

0 引言

近几年来，随着卷积神经网络的迅速发展，通用目标检测任务之一人脸检测，取得了重大的进步，其在实施监控、目标跟踪、安全验证等诸多场景中被广泛应用[1-4]。人脸检测可通过物体检测算法对画面中存在的人脸位置进行检测。以往人脸检测主要在R-CNN[5]、Fast R-CNN[6]、Faster R-CNN[7]、YOLO[8-11]和 SSD[12]等目标检测算法的基础上稍作改进便可应用在人脸检测中，也有一些针对人脸检测的算法被陆续提出。但在低光照条件下，摄像头能见度低和信号细节损失严重对视觉增强和后续感知任务造成阻碍[13]。因此，在低光照条件下对人脸实现准确定位具有重要的实践意义。

人脸检测研究可以追溯到60年代。经过几十年的曲折发展，它已变得越来越成熟[14-15]。针对正脸检测的传统算法已经逐步得到广泛应用，例如 ViolaJones[16]在有约束的正脸检测场景中有着良好的速度与精度表现。但是，在自然场景下，传统方法采用的人工特征不足以表示复杂的人脸特征，大多数传统算法迅速退化。因此卷积网络作为当今流行的计算机视觉处理方式，能够自动选取最优的特征提取[17]，被广泛运用于复杂条件下的人脸检测中。目标检测算法目前主要分为两类：一类是基于两阶段的R-CNN系列网络；另一类是缩减到一阶段的YOLO和SSD等网络。文献[18]指出，这两类算法在面对部分较为复杂情况如面部遮挡等问题有较理想的鲁棒性，但对于低光照等条件表现仍旧不佳[13]。在 2019年北京大学发布的低光照图像和对应人脸标签的 DARK FACE数据集上的检测结果普遍较差[19]。……