人脸属性识别与检测是计算机视觉领域中一个备受瞩目的研究课题,大量学者对此进行了充分研究。人脸属性包括民族、性别、姿态、年龄、配饰、表情等内外部属性。在一些大型场合(商场,图书馆等),工作人员需要通过回溯视频资料来锁定某些可疑人物。人脸配饰在辅助工作人员回溯目标人物时具有极其重要的作用。本文采用基于深度学习的目标检测的方式来优化人脸配饰检测的问题。目前基于卷积神经网络的目标检测网络框架主要可以分为两类:一阶段方法和二阶段方法。本文提出两种基于二阶段方法中的典型算法Faster-RCNN的改进算法。(1)Faster-RCNN通过非极大值抑制的方式选取评分效果最佳的前N个候选区域进行后续训练。在训练时,引入区域数目调节层,实时判断当前训练效果,根据当前训练效果适当增减N的数目。N随着整体网络的收敛而收敛。通过训练得到的候选区域数目能够较好的兼顾模型的检测速度和平均精度。此外,深层次的卷积神经网络容易在训练中出现退化现象,引入残差网络能有效抑制该现象。以Resnet50为基础进行改进,重新搭建起58层特征提取网络。实验在PASCAL VOC 2007数据集上进行,较经典网络模型,速率提升了18%,检测率提高了3%。(2)另外针对特定场景要求下的人脸配饰检测做出改进,诸如多尺度训练和丰富锚框样式。在此基础上,提出一种基于小目标的人脸配饰检测方法。由于Faster-RCNN仅用到了底层特征提取模块的最后一层特征图,所以对小目标的检测率不高。特征提取网络共分为五块卷积模块,将每一个卷积模块得到的特征图并行输入区域建议网络以生成候选区域,充分利用卷积网络不同层次的特征,提高了整体网络对小目标的鲁棒性和检测率。