1、人臉檢測(cè)是模式識(shí)別和計(jì)算機(jī)視覺(jué)等領(lǐng)域的重要組成部分，也是人臉對(duì)齊、人臉識(shí)別、表情識(shí)別等人臉課題的研究前提。傳統(tǒng)的人臉檢測(cè)算法中，通常利用手工設(shè)計(jì)的特征提取算法進(jìn)行人臉的特征提取。在實(shí)際應(yīng)用中，由于人臉存在遮擋、多姿態(tài)、角度變化、光照變化及表情變化等情況，基于手工設(shè)計(jì)特征的人臉檢測(cè)算法性能及魯棒性有待提高。針對(duì)上述問(wèn)題，基于卷積神經(jīng)網(wǎng)絡(luò)的人臉檢測(cè)方法得到了廣泛地研究，利用傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行人臉檢測(cè)時(shí)，通常使用滑動(dòng)窗口或Selective

2、 Search算法進(jìn)行區(qū)域提取，該類方法存在算法復(fù)雜、耗時(shí)等問(wèn)題;同時(shí)當(dāng)網(wǎng)絡(luò)深度達(dá)到一定程度時(shí)，訓(xùn)練的過(guò)程中會(huì)出現(xiàn)梯度消散或梯度爆炸的問(wèn)題，進(jìn)而導(dǎo)致網(wǎng)絡(luò)性能的退化。因此，針對(duì)傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)在人臉檢測(cè)中存在的問(wèn)題，本文對(duì)人臉檢測(cè)算法進(jìn)行研究，以提高人臉檢測(cè)的性能及魯棒性。
　　本文主要完成了以下工作:
　　(1)通過(guò)閱讀國(guó)內(nèi)外文獻(xiàn)，了解了人臉檢測(cè)及深度學(xué)習(xí)的研究現(xiàn)狀，總結(jié)了人臉檢測(cè)存在的問(wèn)題，確定了本文的研究方向和研究?jī)?nèi)容。

3、
　　(2)論文對(duì)卷積神經(jīng)網(wǎng)絡(luò)的理論知識(shí)、深度學(xué)習(xí)框架和卷積神經(jīng)網(wǎng)絡(luò)的優(yōu)化算法進(jìn)行了總結(jié)與歸納。首先分別從卷積層、池化層、激活函數(shù)對(duì)卷積神經(jīng)網(wǎng)絡(luò)的組成進(jìn)行了介紹，緊接著說(shuō)明了卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練方法，然后介紹了卷積神經(jīng)網(wǎng)絡(luò)的隨機(jī)梯度下降算法，最后重點(diǎn)分析了Caffe深度學(xué)習(xí)框架。
　　(3)基于經(jīng)典的AlexNet網(wǎng)絡(luò)，設(shè)計(jì)圖像分類框架，并對(duì)其進(jìn)行改進(jìn)。為了增加非線性表達(dá)能力，減少參數(shù)個(gè)數(shù)，將原來(lái)較大的卷積核替換為兩個(gè)較小的卷

4、積核，為了解決數(shù)據(jù)集中圖像尺寸不統(tǒng)一的問(wèn)題，本文把網(wǎng)絡(luò)的最后池化層進(jìn)行空域金字塔池化處理。本文引入Faster R-CNN網(wǎng)絡(luò)中的區(qū)域特征提取算法，區(qū)域生成網(wǎng)絡(luò)首先對(duì)圖像批量生成候選框，利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)候選框進(jìn)行優(yōu)化區(qū)域位置和尺寸處理，從而得到分類概率，然后生成代價(jià)函數(shù)，進(jìn)而通過(guò)反向傳播進(jìn)行參數(shù)求導(dǎo)優(yōu)化，提高區(qū)域提取的概率。本文利用FDDB、Wider人臉數(shù)據(jù)庫(kù)進(jìn)行實(shí)驗(yàn)，實(shí)驗(yàn)顯示，所提算法準(zhǔn)確率達(dá)到98％，平均檢測(cè)時(shí)間為0.32s。<