级联型P-RBM神经网络的人脸检测
目的 针对非理想条件下快速准确的人脸检测问题,提出一种基于概率态多层受限玻尔兹曼机(RBM)级联神经网络的检测方法.方法 它采用RBM中神经元的概率态表征来模拟人脑神经元连续分布的激活状态,并且利用多层P-RBM(概率态RBM)级联来仿真人脑对视觉的层次学习模式,又以逐层递减隐藏层神经元数来控制网络规模,最后采用分层训练和整体优化的机制来缓解鲁棒性和准确性的矛盾.结果 在LFW、FERET、PKU-SVD-B以及CAS-PEAL数据集上的测试都实现了优于现有典型算法的检测性能.对于单人脸检测,相比于Ada-boost算法,将漏检率降低了2.92%;对于多人脸检测,相比于结合肤色的Adaboost算法,将误检率降低了14.9%,同时漏检率降低了5.0%,检测时间降低了50%.结论 无论是静态单张人脸,还是复杂条件下视频多人脸检测,该方法不仅在误检率和漏检率上表现更好,而且具有较快的检测速度,同时对于旋转人脸检测具有较强的鲁棒性.针对基于肤色的多人脸检测研究,该方法能显著降低误检率.
人脸检测、受限玻尔兹曼机(RBM)、概率态受限玻尔兹曼机(P-RBM)、神经网络
21
TP391.4(计算技术、计算机技术)
国家自然科学基金项目60802047,60702018National Natural Science Foundation of China60802047,60702018
2016-09-06(万方平台首次上网日期,不代表论文的发表时间)
共11页
875-885