一种改进的基于R-FCN模型的人脸检测算法

基于区域的卷积神经网络在目标检测中有着广泛的应用,吸引了研究者的广泛兴趣。针对人脸检测问题,本文基于区域的全卷积网络（Region-based Fully Convolutional Networks, R-FCN）,提出一种改进的人脸检测算法。为了使模型训练更加充分,利用在线难例样本挖掘法放宽正负样本的约束,扩充训练集的范围,针对人脸目标存在重叠问题,采用线性非极大值抑制法避免漏检重叠人脸。在人脸检测数据库（FDDB）上的实验结果表明,改进的R-FCN模型比原始的R-FCN模型有着更高的精度。     

基于卷积神经网络的复杂场景目标检测算法

海上石油平台监控环境复杂，采油工作平台摄像头监控角度不同，海上环境复杂多变，雨雾等天气下，摄像头图片模糊不清.针对上述增加了目标检测的难度的问题，提出了一种基于卷积神经网络的复杂场景目标检测算法（简称ODCS）来检测图像中的特定对象.该方法结合不同分辨率的特征图预测来自然处理各种尺寸的对象，消除了特征重新采样阶段，并将所有计算封装在单个网络中，这样易于训练且可以直接集成到需要检测组件的系统中.实验结果表明，相对于传统的方法，该方法检测在准确率和召回率上明显提高，且检测效率能够满足实时应用的要求.     

基于Faster R-CNN的人脸检测方法

近年来,基于候选区域的快速卷积神经网络（Faster R-CNN）算法,在多个目标检测数据集上有出色的表现,吸引了广泛的研究兴趣. Faster R-CNN 框架本来是用做通用目标检测的,本文将它应用到人脸检测上,分别使用ZF和VGG16卷积神经网络,在WIDER人脸数据集上训练Faster R-CNN模型,并在FDDB人脸数据库上测试. 实验结果表明,该方法对复杂光照、部分遮挡、人脸姿态变化具有鲁棒性,在非限制性条件下具有出色的人脸检测效果. 这两种网络结构,在检测效率和准确性上各有优势,可以根据实际应用需求,选择使用合适的网络模型.     

复杂背景人脸检测中的尺度自适应算法研究

人脸检测在各种领域有着广泛的应用价值。在人脸检测过程中,场景复杂度以及人脸和摄像头间的距离远近对识别率都会产生影响。文章采用轻量级肤色检测网络及多尺度人脸识别网格对人脸区域进行粗定位,再使用卷积神经网络进行精确定位。实验结果表明:通过肤色检测,筛选出人脸可能存在的位置,避免了在整幅图像中进行搜索,提高了算法效率;采用多尺度扫描窗口适应人脸尺寸大小,能够解决一幅图中既有大脸又有小脸的问题;采用卷积神经网络提高了人脸检测的精度。     

级联的卷积神经网络人脸检测方法

针对由于光照、分辨率、姿态和表情等因素变化引起的人脸检测准确性不高的问题和大多人脸检测算法使用单一的卷积神经网络去提取特征引起的算法的泛化能力变弱的问题,提出了三层由浅及深的级联的卷积神经网络结构。通过全卷积神经网络快速定位人脸候选区域,采用深度神经网络提取人脸鲁棒性特征,对候选区域进一步分类验证,并用联合回归的方法确定最终人脸位置,提高检测精度。同时通过加权降低得分改进常用的非极大值抑制的方法,解决了由于相邻人脸高度重叠引起的漏检问题。实验结果表明,该模型对上述引起人脸检测准确率不高的因素具有较好的鲁棒性,并且在FDDB数据集上有着较高的准确率和运行速度。改进后的非极大值抑制算法对在FDDB的测试准确率也有一定的提升。     

一种多尺度卷积神经网络的人脸检测模型

卷积神经网络在检测不同尺度的人脸时所需要的计算量很大,检测过程由多个分离的步骤组成,过于复杂。针对这两方面的不足,提出一种多尺度卷积神经网络模型。根据卷积神经网络各个层具有大小不同的感受野,从不同层提取多个尺度的特征向量分别进行人脸分类与回归,并将网络的全连接层改成卷积层,以适应不同大小的图片输入。该方法将人脸检测的多个步骤集成到一个卷积神经网络中,降低了模型复杂度。实验结果表明,相同测试条件下,所提方法相比其他人脸检测模型在准确率和检测速度上均有显著提升。     

基于改进R-FCN的交通标志检测

为在交通标志检测过程中同时满足精度和速度的需求,建立一种改进的基于区域全卷积网络（R-FCN）的交通标志检测模型。通过K-means聚类算法对数据集进行分析,选择合适的锚点框。对特征提取网络ResNet101进行结构简化,只使用前25层来提取特征,以缩短检测时间。在模型中引入可变形卷积和可变形位置敏感RoI池化层,以提高模型对交通标志的感应能力。模型训练过程中使用在线困难样本挖掘策略从而减少简单样本数量。在交通标志检测数据集GTSDB上的实验结果表明,该模型对交通标志位置信息较敏感,AP₅₀和AP₇₅指标分别达到97.8%和94.7%,检测时间缩至48 ms,检测精度与速度优于Faster R-CNN、R-FCN等模型。     

基于肤色的复杂环境下人脸检测

对由光源颜色变化引起的图像色彩偏差,进行了校正,并在YCbCr颜色空间建立了Cb-Cr色度查找表和亮度信息联合的肤色模型,应用预处理技术,去除部分非人脸区域,减少人脸检测的搜索空间,并采用模板匹配方法在人脸候选区域检测人脸.实验表明,该方法能够有效的从复杂环境的彩色图像中检测出左右旋转不超过45°的人脸,且不受人脸表情、尺度和数目的影响,且错误率较低.     

基于深度残差网络的人脸表情识别

针对深度卷积神经网络随着卷积层数增加而导致网络模型难以训练和性能退化等问题,提出了一种基于深度残差网络的人脸表情识别方法。该方法利用残差学习单元来改善深度卷积神经网络模型训练寻优的过程,减少模型收敛的时间开销。此外,为了提高网络模型的泛化能力,从KDEF和CK+两种表情数据集上选取表情图像样本组成混合数据集用以训练网络。在混合数据集上采用十折（10-fold）交叉验证方法进行了实验,比较了不同深度的带有残差学习单元的残差网络与不带残差学习单元的常规卷积神经网络的表情识别准确率。当采用74层的深度残差网络时,可以获得90.79%的平均识别准确率。实验结果表明采用残差学习单元构建的深度残差网络可以解决网络深度和模型收敛性之间的矛盾,并能提升表情识别的准确率。     

基于改进的R-FCN带纹理透明塑料裂痕检测

为了解决利用传统的机器学习方法来检测带纹理透明塑料裂痕的检测精度和识别率不高的问题,提出一种改进的基于区域的全卷积网络（Region-based Fully Convolutional Networks,R-FCN）检测方法,通过对R-FCN中的残差网络（Residual Network,ResNet）特征提取网络进行混合尺度感受野融合处理,弥补了原网络对微小裂痕敏感度不高的缺点。实验表明,改进后的R-FCN检测方法的裂痕检测精度比基于传统机器学习支持向量机（Support Vector Machine,SVM）检测方法的裂痕检测准确率高20%左右,比未改进的R-FCN检测方法的检测准确率高8%,证明了该方法的有效性。     

改进R-FCN模型的小尺度行人检测

目的 为了有效解决传统行人检测算法在分辨率低、行人尺寸较小等情境下检测精度低的问题,将基于区域全卷积网络（region-based fully convolutional networks,R-FCN）的目标检测算法引入到行人检测中,提出一种改进R-FCN模型的小尺度行人检测算法。方法 为了使特征提取更加准确,在ResNet-101的conv5阶段中嵌入可变形卷积层,扩大特征图的感受野;为提高小尺寸行人检测精度,在ResNet-101中增加另一条检测路径,对不同尺寸大小的特征图进行感兴趣区域池化;为解决小尺寸行人检测中的误检问题,利用自举策略的非极大值抑制算法代替传统的非极大值抑制算法。结果 在基准数据集Caltech上进行评估,实验表明,改进的R-FCN算法与具有代表性的单阶段检测器（single shot multiBox detector,SSD）算法和两阶段检测器中的Faster R-CNN（region convolutional neural network）算法相比,检测精度分别提高了3.29%和2.78%;在相同ResNet-101基础网络下,检测精度比原始R-FCN算法提高了12.10%。结论 本文提出的改进R-FCN模型,使小尺寸行人检测精度更加准确。相比原始模型,改进的R-FCN模型对行人检测的精确率和召回率有更好的平衡能力,在保证精确率的同时,具有更大的召回率。     

基于无锚框的目标检测方法及其在复杂场景下的应用进展

基于深度学习的目标检测方法是目前计算机视觉领域的热点, 在目标识别、跟踪等领域发挥了重要的作用. 随着研究的深入开展, 基于深度学习的目标检测方法主要分为有锚框的目标检测方法和无锚框的目标检测方法, 其中无锚框的目标检测方法无需预定义大量锚框, 具有更低的模型复杂度和更稳定的检测性能, 是目前目标检测领域中较前沿的方法. 在调研国内外相关文献的基础上, 梳理基于无锚框的目标检测方法及各场景下的常用数据集, 根据样本分配方式不同, 分别从基于关键点组合、中心点回归、Transformer、锚框和无锚框融合等4个方面进行整体结构分析和总结, 并结合COCO (Common objects in context)数据集上的性能指标进一步对比. 在此基础上, 介绍了无锚框目标检测方法在重叠目标、小目标和旋转目标等复杂场景情况下的应用, 聚焦目标遮挡、尺寸过小和角度多等关键问题, 综述现有方法的优缺点及难点. 最后对无锚框目标检测方法中仍存在的问题进行总结并对未来发展的应用趋势进行展望.     

基于深度学习的实时场景小脸检测方法

实时场景下的小脸检测存在检出率低而且回归精度差的问题。通过融合更底层特征进行多尺度级联预测。根据实时场景下的人脸特点生成不同大小和比例的预测框以更好地适应人脸形状。在预测阶段提出了基于IOU判别的soft and hard nms算法，对冗余预测框进行抑制，设置两个阈值将网络生成的预测框划分为低中高三段，对不同段的预测框采取不同的处理以达到精准筛选的目的。最优架构可在两张NVIDIA GTX 1080显卡下的实时视频检测和摄像头检测中获得45 f/s的速度，并且在Wider Face总体验证集上取得82.6%的平均精度。     

复杂动态场景下基于道路平面提取的行人检测

研究交通安全调度优化问题,提高交通安全的高级辅助驾驶系统中的行人保护技术,是近年来热门的研究方向.其中,最严峻的挑战是建立可靠的车载行人检测系统.与普通静态图像的行人检测相比,复杂动态场景下车载视频中的行人检测面临实时性要求高、光照条件复杂等难点.针对上述问题,提出结合HOG行人检测方法和道路平面提取技术,将目标搜索范围限定在道路平面区域.实验结果表明,改进方法在降低虚警数量和提高检测速度的同时,显著提高了对小目标行人的检测效率.     

面向复杂道路场景小尺度行人的实时检测算法

复杂道路场景中小尺度行人目标检测漏检率高,实时性较差,提出了一种针对小尺度行人检测的增强算法,对RFB(Receptive Field Block)网络从特征提取网络结构及损失函数两方面进行改进:通过反向融合的方式将多尺度特征图通道间Shuffle后的深层特征组多级融合到浅层,并在采用更浅层特征的同时加入改进RFB模块及Normalization层,充分利用多尺度特征层间的信息进行小尺度行人检测。损失函数采用基于交并比和中心点距离解决评测与回归损失函数评价指标不等价问题。实验结果表明,该算法在Caltech行人数据集上总体行人和小尺度行人的漏检率分别降低了4.7个百分点与9.0个百分点,单张图片平均检测时间为36 ms,性能高于同类算法。     

基于双通道R-FCN的图像篡改检测模型

随着大数据时代的到来和图像编辑软件的发展,恶意篡改图片的数量出现井喷式增长,为了确保图像的真实性,众多学者基于深度学习和图像处理技术提出了多种图像篡改检测算法.然而,当前提出的绝大多数方法在面对大量图片的情况下,篡改检测速率较低且小面积篡改区域检测效果较差.为了有效解决这些问题,本文首次将基于区域的全卷积网络(Regi...     

基于肤色的复杂背景条件下的人脸检测

提出一种肤色与Adaboost方法相结合的人脸检测方法。首先把图像转换为YCbCr颜色空间，然后利用肤色在CbCr上的聚类性对图像进行预处理，最后，使用Adaboost算法对候选人脸集进行细化，最终得到人脸集合。实验证明该方法的有效性。