基于深度学习网络的人脸关键点检测研究.doc

摘  要：人脸关键点检测是人脸识别任务中重要的基础环节，也称为定位或者人脸对齐，一直以来都是计算机视觉、图像处理等领域的热门研究问题。人脸关键点检测是指给定人脸图像定位出人脸面部的关键区域位置，包括眉毛、眼睛、鼻子、嘴巴、脸部轮廓等。本文对常见的三种人脸关键点检测的方法，基于模型的ASM(Active Shape Model)和AAM(Active Appearnce Model)、基于级联形状回归CPR(Cascaded Pose Regression) 和基于深度学习的方法进行了细致的研究与比较。ASM和AAM方法将人脸对齐看作是一个优化问题，来寻找最优的shape和appearance参数，使得appearance模型能够最好拟合输入的人脸。而CPR则CPR通过一系列回归器将一个指定的初始预测值逐步细化，每一个回归器都依靠前一个回归器的输出来执行简单的图像操作，整个系统可自动的从训练样本中学习。本文还基于Linux搭建及配置了YOLO v3的运行环境，并运用C++和python设计并开发了一种基于YOLO v3的人脸识别demo程序。使用labelImg对数据库图片进行了标注，实验结果该demo程序能够有效对人脸进行识别。

关键词：人脸关键点；模型；深度学习；YOLO v3；人脸识别

目录

摘要

Abstract

1绪论-4

2 人脸关键点发展现状-5

2.1 传统方法-5

2.2 研究趋势-6

2.3 术语表-7

3 基于模型方法-8

3.1 ASM算法-9

3.1.1 建模-9

3.1.2 训练-9

3.1.3 搜索-10

3.2 AAM算法-10

3.2.1 建模-11

3.3 ASM与AAM对比-11

4 级联姿势回归（CPR）算法-12

5 深度学习-15

5.1 浅层学习与深度学习-15

5.2 神经网络与深度学习-16

5.3 YOLO的发展历程-17

5.4  YOLO v3模型-22

5.5  Darknet框架-24

6 人脸识别Demo程序的设计与实现-27

6.1 训练集的制作-27

6.2训练过程-30

6.3人脸关键点检测实验结果与分析-31

6.4 人脸识别实验结果与分析-32

6.5 相关核心代码-33

7 总结-35

参 考 文 献-36

致 谢-39