神经网络和深度学习目前为处理图像识别的许多问题提供了最佳解决方案,而基于MTCNN(多任务级联卷积神经网络)的人脸检测算法也解决了传统算法对环境要求高、人脸要求高、检测耗时高的弊端。
基于MTCNN多任务级联卷积神经网络进行的人脸识别——
MTCNN主要包括三个部分,PNet,RNet,ONet
测试阶段大概过程
首先图像经过金字塔,生成多个尺度的图像,然后输入PNet。
PNet由于尺寸很小,所以可以很快的选出候选区域,但是准确率不高,然后采用NMS算法,合并候选框,然后根据候选框提取图像。
作为RNet的输入,RNet可以精确的选取边框,一般最后只剩几个边框,最后输入ONet。
ONet虽然速度较慢,但是由于经过前两个网络,已经得到了高概率的边框,所以输入ONet的图像较少,然后ONet输出精确的边框和关键点信息。
训练主要包括三个任务——
人脸分类任务:利用正样本和负样本进行训练
人脸边框回归任务:利用正样本和部分样本进行训练
关键点检测任务:利用关键点样本进行训练<