论文部分内容阅读
随着深度学习的兴起，人脸检测在计算机视觉领域取得了极大的进步，被广泛应用于安防监控、身份验证、人机交互等方面。人脸检测是人脸分析、人脸识别、人脸重建等人脸相关应用的重要基础技术，在低约束场景下，得到的图片可能会包含很多小尺度人脸，这些小尺度人脸分辨率低，检测器对小尺度人脸能提取到的特征有限，会造成检测器漏检，极大地降低了人脸检测的准确率。针对上述问题，本文对基于R-FCN（Region-based Fully Convolutional Network，区域全卷积网络）的小尺度人脸检测进行研究，主要工作如下：
1）本文针对人脸的具体属性对R-FCN进行了基础改进。首先，针对密集人脸存在互相遮挡的问题，将R-FCN采用的NMS（Non-maximum Suppression，非极大值抑制）替换为SoftNMS（Soft Non-maximum Suppression，软式非极大值抑制），降低漏检率；其次，根据Wider Face数据集中人脸的尺度分布重新设置Anchor，使Anchor能覆盖绝大多数人脸，提高检测率；最后通过实验验证了基础改进后的R-FCN具有更优越的性能。
2）针对R-FCN在ResNet最后的特征图上进行检测，提取到的特征缺少底层的局部信息，会导致小尺度人脸检测率降低的问题，本文构建了一个自底向上的特征融合分支，用来丰富高层特征的局部信息。具体方案是：采用自底向上对应元素相加的方式进行特征融合，且在融合前对特征进行归一化；设计实验在不同的融合层进行候选框生成和分类，实验结果表明利用Res4后的融合层检测得到准确率最高。
3）R-FCN采用固定大小的卷积核进行特征提取，损害了特征之间的区分度，为进一步提高检测率，本文设计了一个感受野自适应模块并在共享的特征图后引入该模块。该模块不仅考虑了离心率对感受野的影响，还具备自适应感受野的能力。通过实验与基础改进后的R-FCN相比，本文最终方法在Wider Face三个子集的检测率均有不同程度的提高，验证了本文方法对小尺度人脸检测更具鲁棒性。
1）本文针对人脸的具体属性对R-FCN进行了基础改进。首先，针对密集人脸存在互相遮挡的问题，将R-FCN采用的NMS（Non-maximum Suppression，非极大值抑制）替换为SoftNMS（Soft Non-maximum Suppression，软式非极大值抑制），降低漏检率；其次，根据Wider Face数据集中人脸的尺度分布重新设置Anchor，使Anchor能覆盖绝大多数人脸，提高检测率；最后通过实验验证了基础改进后的R-FCN具有更优越的性能。
2）针对R-FCN在ResNet最后的特征图上进行检测，提取到的特征缺少底层的局部信息，会导致小尺度人脸检测率降低的问题，本文构建了一个自底向上的特征融合分支，用来丰富高层特征的局部信息。具体方案是：采用自底向上对应元素相加的方式进行特征融合，且在融合前对特征进行归一化；设计实验在不同的融合层进行候选框生成和分类，实验结果表明利用Res4后的融合层检测得到准确率最高。
3）R-FCN采用固定大小的卷积核进行特征提取，损害了特征之间的区分度，为进一步提高检测率，本文设计了一个感受野自适应模块并在共享的特征图后引入该模块。该模块不仅考虑了离心率对感受野的影响，还具备自适应感受野的能力。通过实验与基础改进后的R-FCN相比，本文最终方法在Wider Face三个子集的检测率均有不同程度的提高，验证了本文方法对小尺度人脸检测更具鲁棒性。