论文部分内容阅读
近些年来,基于人脸识别的智能视频监控系统得到了很大的发展,并且相关的产品越来越多地应用在人们的日常生活中,比如安防监控、刷脸支付这些场景都使用了相关的技术。其中人脸识别的准确率一直是业界最关心的指标之一。本文将探讨通过人脸去重保留图像质量较高的人脸来提高识别准确率和速度。同时也将研究基于视频监控的人脸检测算法,实现在保持较高检测精度的同时提升检测速度。论文将分别从人脸检测和人脸去重两个方面进行讨论研究,主要内容如下:(1)构建一个“检测+去重”的视频监控智能分析流程。其中人脸去重由人脸跟踪和人脸质量评价两个模块构成。首先在无限制的复杂监控场景下进行人脸检测与定位,接着利用人脸跟踪获得被检测者的多张人脸图像,并通过人脸质量评价从中挑选图像质量较好的人脸,然后将其用于人脸识别,有助于提高识别的准确率和速度。(2)设计一种视频监控下的人脸检测算法。与常用的基于boosting或CNN(卷积神经网络)的检测算法相比,本文提出将两者结合构成一个二阶段的人脸检测器。在第一阶段,先用基于boosting的人脸检测器快速地将整个图片检测一遍,保留人脸目标,将大部分非人脸窗口过滤,同时允许存留一定的误检窗口。然后在第二阶段,采用基于CNN的误检分类器对第一阶段遗留的窗口进行人脸和非人脸的二分类,消除多数的误检窗口。在FDDB数据集和视频监控中的实验效果显示,本文的方法在检测精度和速度上都具有良好的表现。(3)针对人脸检测速度较慢的问题,提出了两种优化方法。第一种方法是由粗到精的窗口遍历。首先对检测区域用较大的步长进行粗检,并输出包含人脸的候选区域。然后在候选窗口用小的步长进行精检,得到更加精确的人脸位置。第二种方法是使用双模板的检测器。首先分别训练一个常规尺度模板的检测器和小尺度模板的检测器。在人脸检测时,图像金字塔中尺度较大的图像无需检测,然后用小尺度模板检测器和常规模板检测器分别检测剩余的图像中尺度相对较大和尺度相对较小的部分图像。在FDDB数据集和视频监控中的测试结果表明,这两种方法小幅度地降低了检测的召回率,同时检测速度有了明显的提高。(4)提出一种多指标融合的人脸质量评价算法。传统的人脸质量评价大多考虑诸如清晰度、分辨率、人脸姿态角度这些常用的评价指标。而本文考虑将从检测模块得到的人脸置信度作为多个评价指标之一,这样可以更加充分地利用检测部分得到的人脸信息。最后通过人脸置信度、人脸清晰度、人脸分辨率、人脸对比度、人脸角度和人脸明亮度这些评价指标的加权来对一幅人脸图像进行综合的评价。在ChokePoint数据集上的实验结果表明,本文的算法能够挑选出高质量的人脸,进而提升人脸识别的准确率。