随着现代人工智能信息技术的不断飞速发展,人脸识别等新技术技术逐渐得到兴起,人脸检测技术也变得愈发重要。早期的各种人脸图像检测技术主要用于研究的对象是具有很强约束力和条件的各种人脸检测图像,例如那些无任何背景、无遮挡的图像,因此这些人脸很容易的被定位和找到。由于人工智能的不断发展。人脸检测与识别技术等已成为研究的重点。但是由于有些场景,例如在枪击摄像头拍摄的监控场景中。人脸目标距离摄像设备较远或由于光照、遮挡等其他原因。由此所致而面临的一些列问题也使得目前人脸图像检测技术开始作为独立的研究课题一并受到许多研究者的重视。人脸检测技术的难点有很多。主要有以下三个方面。人脸可以有不同角度的遮挡。成像的角度不同,导致图像侧脸或脸部旋转等。人脸有不同的肤色。成像的环境条件不同。如光照条件、有无阴影等。因此本文对于低分辨率和有遮挡的人脸研究进行了如下工作:首先,阐述了MTCNN网络的框架,对它的三阶段级联的模块做了介绍。提出了基于MTCNN的网络结构。对输入到P-Net网络的图片进行预处理。接着对P-Net、R-Net、O-Net网络进行了改进。并且此方法在WIDER FACE、FDDB数据集上取得了很好的效果。接下来使用语义分割网络来辅助人脸挖掘与检测。可以有效提升困难人脸的检出率语义分割网络进行研究,语义分割网络用于目标检测,这里将语义分割网络用于人脸检测。当人脸有不同程度遮挡时。可以辅助人脸检测。挖掘人脸周围的信息。使用Fast-SCNN网络,它采用一个学习下采样模块,一个标准全局特征提取器处理模块,一个全局特征数据融合处理模块,以及一个标准的分类器。所有的模块都是用深度可分离卷积构建。可以有效地提高困难人脸的检出率。最后提出了用残差网络连接SSD网络的人脸关键点五点定位的方法。网络的前置模块使用的是残差模块。它的网络性能远超传统网络模型。后面连接一个SSD网络。SSD网络是也是使用CNN进行检测。它使用了多种数据增强的方法,包括水平翻转、剪裁、放大、缩小等。SSD提取出人脸框。接着对人脸关键点进行五点定位。得到精准的人脸框。并且可以看到,在COFW数据集上的效果较好。因此对有遮挡人脸的检测的优越性。综上所述,本文是对低分辨率和有遮挡的人脸进行研究。但是这些方法都存在或多或少的局限性。但是本文的方法可以处理大多数人脸。并且可以进行同时检测和定位。