引言
人脸检测技术广泛应用于考勤、解锁设备、身份验证、监控场所、自动驾驶等场合［1-3］。在当前的人脸检测领域，通常采用深度神经网络架构。2014年Girshick等人提出的R-CNN［4］目标检测算法模型成功地将深度学习应用到目标检测领域，这种目标检测算法使用的是基于候选区域的检测方法。Ren等人在FastR-CNN基础上进行改进，提出了FasterR-CNN［5］，该模型提出了专门的候选区域生成网络。除了以上两种目标检测网络模型外，还有基于单次目标检测的网络模型，如YOLO［6-8］和SSD［9］。这类方法优势在于检测速度快，但对小目标的检测效果不佳。这些深度神经网络在边缘设备部署十分消耗资源，对于硬件的计算能力和能耗的要求很高，很难应用到实际场景中。多任务级联卷积神经网络（Multi-task Cascaded Convolutional Networks，MTCNN）［10］作为一种经典的人脸检测方法，以其高效的性能、模型复杂度低而闻名，更适合边缘设备的应用。但随着人脸检测任务的不断复杂化，MTCNN也面临一系列挑战，例如在小尺寸、遮挡、多角度和光照变化等情况下的检测效果下降。文献［11］中将MTCNN与VGGNet相结合，提升了模型检测精度，但是相对应的模型计算量也变多了。
本文详细内容请下载：
https://www.chinaaet.com/resource/share/2000005968
作者信息：
黄杰，刘芬
（天津职业技术师范大学电子工程学院 ，天津300222）
此内容为AET网站原创，未经授权禁止转载。
