推荐星级:
  • 1
  • 2
  • 3
  • 4
  • 5

耳朵信息对侧脸检测的影响研究

更新时间:2019-12-24 00:49:54 大小:1M 上传用户:守着阳光1985查看TA发布的资源 标签:人脸检测 下载积分:1分 评价赚积分 (如何评价?) 打赏 收藏 评论(0) 举报

资料介绍

如何准确地检测和定位图像中的人脸是人脸检测领域的关键问题.为了进一步提高人脸检测器的性能,常见的方法是增加训练数据集或采用更鲁棒的人脸特征表示,而训练人脸检测器的一个基础工作是:为训练图像中的人脸标注边界框.但标注的人脸边界框是否应该包含耳朵信息,以及对训练出的侧脸检测器性能的影响尚未被研究.本文的实验结果表明:在侧脸数据集上训练人脸检测器时,如果人脸边界框包含耳朵信息,基于DPM(Deformable Parts Model)方法训练得到的侧脸检测器使侧脸检测的准确率降低1.9%,召回率提高6.3%.而基于Viola&Jones和Fast R-CNN方法训练得到的侧脸检测器使准确率分别提高6.8%和4.4%,召回率分别提高14.9%和12.9%.这说明包含耳朵信息训练出的侧脸检测模型,有助于提高侧脸检测率.


部分文件列表

文件名 大小
耳朵信息对侧脸检测的影响研究.pdf 1M

部分页面预览

(完整内容请下载后查看)
3
Vol. 46 No. 3  
Mar. 2018  
2018  
3
ACTA ELECTRONICA SINICA  
耳朵信息对侧脸检测的影响研究  
王弯弯 张重生  
(
475001)  
河南大学计算机与信息工程学院 河南开封  
:
如何准确地检测和定位图像中的人脸是人脸检测领域的关键问题 为了进一步提高人脸检测器的性  
:
能 常见的方法是增加训练数据集或采用更鲁棒的人脸特征表示 而训练人脸检测器的一个基础工作是 为训练图像  
中的人脸标注边界框 但标注的人脸边界框是否应该包含耳朵信息 以及对训练出的侧脸检测器性能的影响尚未被研  
DPM ( Deformable  
:
究 本文的实验结果表明 在侧脸数据集上训练人脸检测器时 如果人脸边界框包含耳朵信息 基于  
Parts Model) 1. 9% 6. 3% .  
Viola&Jones  
方法训练得到的侧脸检测器使侧脸检测的准确率降低  
召回率提高  
6. 8% 4. 4% ,  
而基于  
Fast R-CNN  
14. 9% 12. 9% .  
方法训练得到的侧脸检测器使准确率分别提高  
召回率分别提高  
这说明  
包含耳朵信息训练出的侧脸检测模型 有助于提高侧脸检测率  
:
;
;
;
;
关键词  
中图分类号  
URL: http: / /www. ejournal. org. cn  
多角度人脸检测 人脸检测器 耳朵 人脸边界框 侧脸检测  
TP391  
0372-2112 ( 2018) 03-0646-06  
DOI: 10. 3969 /j. issn. 0372-2112. 2018. 03. 020  
:
:
A
:
文章编号  
文献标识码  
电子学报  
The Influence of Ear Biometric on Profile Face Detection  
WANG Wan-wanZHANG Chong-sheng  
( School of Computer and Information EngineeringHenan UniversityKaifengHenan 475001China)  
Abstract: In the field of face detectionhow to accurately detect and locate faces in the images is a key problem. In  
order to improve the performance of face detectorthe common approach is to add more training datasets or use more robust  
facial feature representations. Yetone of the foundational tasks in training face detector is the annotation of the face boun-  
ding boxes for the training images. Should the face bounding box include ear information? What is the corresponding influ-  
ence on the performance of profile face detection? This is an uninvestigated issue. Our experimental results show thatwhen  
using profile face datasets and the faces bounding include ear to train the face detectorthe accuracy of profile face detector  
based on DPM ( the Deformable Parts Model) decreases by 1. 9% yetthe recall increases by 6. 3% . In the case of  
ViolaJones and Fast R-CNNthe improvements are significantthe corresponding accuracy increases by 6. 8% and 4. 4% ,  
and recall increases by 14. 9% and 12. 9% respectively. This reveals thatwhen training profile face detection model with  
the ear informationit can significantly improve the recall of profile face detection.  
Key words: multi-view face detection; face detector; ear; face bounding box; profile face detection  
城市安全  
1
引言  
为了提高自然场景下人脸检测的性能 国内外研究  
人员提出了大量的人脸检测方法  
: ( 1)  
1将人  
人脸检测是计算机视觉中一个重要的研究方向  
Zafeiriou  
也是人脸识别 人脸检索 面部分析等工作的第一步 人  
2
boosting  
脸检测方法分为  
基于  
或者神经网络学  
脸检测技术可以广泛地应用到各个领域 将人脸检测  
( 2)  
基于可变形模型的方法 该类方法是  
习模板的方法  
等 人 出的  
目标检测 框2为  
技术嵌入到摄像机中 可以实现人脸自动定焦的功能  
;
Felzenszwalb  
DPM  
、 、  
嵌入到城市的车站 海关 机场等部门布署的摄像头中  
基础  
3]  
算法  
有助于检测和追踪犯罪分子 从而加快公安破案 保证  
Viola&Jones  
Mathias  
dpm-  
本文使用  
等人的  
: 2017-01-11;  
: 2017-05-03;  
:
收稿日期  
修回日期  
责任编辑 梅志强  
:
( No. 41401466No. 61300215 ) ;  
( No. 132102210188 ) ; ( No.  
河 南 大 学 科 研 基 金  
基金项目 国家自 然 科 学 基 金 项 目  
河 南 省 科 技 攻 关 项 目  
xxjc20140005No. 2013YBZR014)  
647  
3
:
王弯弯 耳朵信息对侧脸检测的影响研究  
4]  
5]  
baseline  
以及  
Face ++ MATLAB SDK  
1
检测图 中  
3
实验设置  
1( a)  
所示 它们具有  
时发现 对于正面朝前的人脸 如图  
3. 1  
数据集  
;
1( b) ( c)  
很高的检测率 但对于侧脸 多角度人脸 如图  
3. 1. 1  
正样本数据集的收集过程  
1
Face ++  
所示 其检测率较低 图 中的检测框是  
的检  
:
本实验使用两个正样本数据集 正脸数据集和侧  
测结果 因此 人们迫切需要一个能够准确检测侧脸和  
12]  
脸数据集 正脸数据集选用公开的  
LFW  
数据集  
多角度人脸的人脸检测器 但是 标注训练图像的人脸  
13223 . 13  
张 我们基于互联网搜集  
种自然场景下的侧  
边界框是否应该包含耳朵 这对训练出的人脸检测器  
4034  
张 它们也是  
脸图像作为本实验的侧脸数据集 共  
:
性能的影响是未知和不确定的 本文研究的问题是 训  
练图像中的人脸边界框有无耳朵信息对训练出的侧脸  
本实验的测试数据集  
LFW  
2500  
我们选择  
的前  
张用于训练 由于侧脸数  
检测器性能的影响  
13  
据集是在不同场景下收集的 我们从  
种场景下分别  
取一部分侧脸图像 侧脸数据集在不同场景下的图像  
1
数量以及选为训练数据集的图像数量 如表 所示  
1
(celian)  
在不同场景下的侧脸图像数量和用于  
侧脸数据集  
训练的图像数量  
场景名称  
场景意义 侧脸图像数量 用于训练的图像数量  
banjiangdianli  
chunwan  
chunyun  
hunshaozhao  
jucan  
490  
501  
524  
430  
129  
133  
29  
250  
250  
250  
250  
100  
100  
29  
颁奖典礼  
春晚  
春运  
婚纱照  
聚餐  
2
相关工作  
junren  
2001 Vi-  
军人  
人脸检测的研究已经有几十年的历史  
3]  
shaitaiyang  
wanhui  
晒太阳  
晚会  
ola  
Jones  
Viola&Jones  
检测器 它能够快  
等人 提出  
200  
195  
406  
448  
477  
73  
200  
150  
250  
250  
350  
71  
.  
速 准确地检测出图像中正面且朝前的人脸 由于  
Haar-  
xuexiao  
学校  
like  
特征的局限性 导致该算法不能检测自然场景下图  
youke  
游客  
6]  
. Lienhart  
haar-like  
像中的多角度人脸  
等人 对原始  
yundong  
zongyi  
运动  
综艺  
征进行扩展 形成旋转的  
45  
度矩形特征和中心环绕特  
7]  
waiguoren  
总数  
外国人  
. 2015  
LBP  
特征中加入旋转角度 从  
年 李等人  
而解决平面内旋转的人脸检测问题  
DPM  
4034  
2500  
4]  
. M. Mathias  
等人  
dpm-baseline,  
. Gir-  
3. 1. 2  
负样本数据集的收集过程  
6
基于  
训练出 个模型的人脸检测器  
34]  
Viola&Jones dpm-baseline LAEO  
13]  
本文使用  
从而检测自然场景下的多角度人脸和侧脸图像  
14]  
8]  
CNN FacePoint  
算法中人脸检测器  
分别在数据  
( celian  
shick  
R-CNN  
等人 提出的  
系列目标检测框架 在人脸  
. 2016 Zhan  
1215]  
LFW FDDB celian  
360face  
上检测  
检测方面也获得了极好的检测效果  
AdaBoostCNN SVM  
9利用  
个人脸分类器 进一步提高了检测效果  
CNN  
相结合的方法训练一  
. 2016 Li  
360face  
) .  
是由我们收集的两个数据集 检测结束后 收  
集那些误检为人脸的图像区域作为本次实验的负样本  
11884  
10提出一种基于  
的级联结构 该人脸检测器在  
数据集 共  
3. 1. 3  
数据集的标注和校准方法  
标注数据集中的人脸区域是一个重要的工作 我  
时间和性能都获得了很大的提升  
很多算法在训练过程中 需要标注训练图像的人  
们编写了一个人脸标注程序和校准程序 手动标注出  
脸边界框 或者直接将训练图像中的人脸截取出来 但  
图像中存在的每张人脸位置 程序会将每张图像的名  
关于人脸边界范围的定义还没有统一的规则 人脸边  
(
称 已标注的人脸数目 以及每个人脸边界框坐标 格  
?
界框是否应该包含耳朵 是否只含五官即可 文献  
?
11研究了耳朵在  
: x y x y )  
保存到一个文本文件 本文称它为人  
式为  
脸边界框文件  
通过数据集的标注和校准 得到 个供训练使用的  
4]  
也提到了这一问题  
. ABAZA  
1
1
2
2
人脸识别中的重要性 当检测的图像中存在  
90  
度侧脸  
4
/
时 耳朵应该是一个重要的判断 识别因素 据我们了  
: lfw ear 2500. txtlfw 2500. txtce-  
边 界 框文件  
lian ear 2500. txt  
解 尚未有论文或实验去验证训练图像的人脸边界框  
celian 2500. txt; 2  
个供测试使用的  
是否应该包含耳朵 及其对训练出的人脸检测器性能  
: ground lfw. txt  
ground ce-  
人 脸 边 界 框 文 件  
,  
的影响 本文将通过大量实验 验证该问题  

全部评论(0)

暂无评论

上传资源 上传优质资源有赏金

  • 打赏
  • 30日榜单

推荐下载