【《基于深度学习的人脸检测研究》9800字（论文）】

基于深度学习的人脸检测研究中文摘要在计算机视觉的研究领域中，极其极具重要的一个问题和研究发展方向之一就是——人脸检测。人脸检测利用现代信息处理技术对人脸进行智能检测，并对人脸中包含的各种特征信息进行分析，以便进一步处理这些特征信息。人脸检测的研究在最近的二十年里取得了一个巨大的进步。近年来，人脸检测已经广泛应用于视频监控、国防军事、视频会议、安防系统验证、人机交互、身份验证等领域。作为模式判别相关方面研究最重要的实际应用，人脸检测，由于存在复杂多变的自然环境、不确定的光照强度以及人脸因素的影响，人脸检测面临着巨大的挑战。早期的算法研究对于学生解决近似正脸和多角度的人脸进行检测技术有着不错的精度，但是也存在检测发展速度过慢的问题。其后续的Adaboost算法更适合处理近似正脸的面部检测问题，但不适合处理特别复杂的实际问题，如面罩、不同姿势和表情。针对经典卷积神经网络算法在人脸检测中检测准确率低、检测率低等问题，本文提出了一种基于MtCNN的人脸检测算法。通过改进原始的MTCNN算法，引入人脸对齐模块，再对MTCNN模型的关键参数进行微调，以找出最优化的人脸置信度等值，并加入人脸误检判别公式。实验研究结果分析表明：改进后的MTCNN人脸进行检测技术算法在检测准确率上得到了一个较大的提升，检测速率也有存在一定的提高。最后，本文对所做的工作进行了分析总结。关键词：人脸检测MTCNN深度学习绪论1.1课题来源本课题通过指导老师指导和中国知网搜索了解获得。1.2研究背景及意义所谓的人脸检测，就是通过某种方式获得一张可能包含人脸的图片，然后我们通过一定的方法分析判断出该幅图像中是否存在人脸，若存在人脸，则输出该人脸的大小和位置等信息。Facedetection相关课题的研究最早胎生于facerecognition,而人脸识别相关课题方面的研究是开始于上个世纪的六七十年代。而机器自主人脸识别功能最重要的一个环节就是人脸检测，只有先检测出人脸才能进行后续的处理。人脸识别的初步研究是在人脸图像受到强烈约束的情况下进行的，实验是在人脸图像在没有背景的情况下直接给出的，或者假定人脸区域的图像是现成的，所以针对人脸检测的研究一直没有引起重视。但是随着电子商务等互联网技术应用的兴起，人脸识别一举成为发展前景最广阔的进行身份验证和身份识别的重要方法。这就需要通过自动人脸识别管理系统具有对一幅图像中人脸的检测分析能力，由此人脸检测的相关问题研究才成为一个相对独立的课题得到广大研究学习人员的重视。人脸检测对于我们的大脑来说非常简单，由于社会生活的需要，我们的大脑有一个特殊的人脸检测神经模块，它对人脸信息极其敏感。但是对于机器来说，相关的问题就没那么简单了。人脸图像信息以二进制字节码阵列的形式存在于计算机中。机器很难从这些二进制字节码中找出人脸的区域。人脸检测技术相关课题的研究开发最早可以追溯到二十世纪七十年代，早期的人脸检测系统相关的研究内容主要是集中在模板匹配、子空间设计方法分析以及变形模板匹配上。由于早期人脸检测研究的实验对象主要集中在无背景的简单正面人脸图像上，这些检测方法实际上不实用，基于这些检测方法设计的检测系统在实际应用中效果不佳。例如，如果输入图像有任何微小的差异，就需要对检测系统的关键参数进行微调，甚至对系统进行大的改动。这样的问题直到二十世纪九十年代才开始发慢慢得到解决。目前，计算机的全自动人脸检测技术还存在许多困难，主要困难来自以下几个方面：1.面部的内部因素。人类的面部是复杂多变的，不同的外观，如不同的肤色和脸型。不同的姿态，例如说我们眼睛的开和闭，嘴巴的开和闭等。遮盖面部的物品，例如头发、眼镜、胡须、头饰等。2.由外部因素的变化引起的。由于成像角度不同造成的差异，实际应用场景大多不是正面。不同环境光照强度的影响，例如拍摄照片时的亮度，对比度的变化以及面部存在的阴影等等。成像条件、不同拍摄设备的焦距、成像距离、图像采集路径的不同等。1.3人脸检测研究现状人脸检测领域的相关研究发展至今，其中几种常用的方法有:基于知识规则的人脸检测方法、基于模板匹配的人脸检测方法、基于特征的人脸检测方法和基于统计理论的人脸检测方法。图1.1人脸检测1.3.1基于模板匹配的方法基于模板匹配的方法研究大致可以发展分为以下两种：固定模板和变形模板。固定模板的方法是先设计几个参考模板，然后计算测试样本和参考模板之间的距离，并通过确定它是否大于某个阈值来判断它是否是一个人脸。这种检测方法在早期系统中被广泛使用，但由于人脸特征的巨大变化，很难得到有效的模板来表达人脸的共性。目前研究基于固定模板的方法已不多见，有的管理系统也只是将其作为一个粗略检测技术或者预处理的手段。基于变形模板的方法原则上与固定模板大体相同，只是包含一些非固定单元。一种方法是手动构造参数曲线和表面，以描述人脸中的某些非固定特征信息，如眼睛、嘴和鼻子。此外的一种方法是系统进行自主学习产生一个自适应的曲线和曲面构成变性人脸模板。1.3.2基于统计理论的人脸检测算法基于统计理论的人脸检测算法其原理上来说，就是将图像中的人脸区域比作一类模式，可将大量的人脸数据作为一个训练样本对模型进行学习训练，通过系统的分析处理能力得到人脸图像数据隐含的规则信息，然后依据这个隐含的规则信息系统进行人脸检测分类器的构造。通过这个操作，人脸检测的问题就变成了是否含有人脸图像两种情况的模式判别问题。基于数据统计理论的方法具体来说就是通过综合统计结果分析与机器的自主学习来寻找出人脸样本和非人脸样本在统计分析学上的区别，然后依据这些区别来构建一个分类器，通过分类器完成人脸的检测。基于统计理论所包含的主要方法有：主成分分析方法（PCA）、神经网络方法、支持向量机方法以及AdaBoost方法等。人工神经网络方法人工神经网络，就其本质上来说就是这样一种通过模仿生物神经网络的非线性的数学运算模型。而其中相应的人工神经网络数据处理的基本单元就是人工神经元。图人工神经元图1.1BP神经网络模型在实际应用中，人工神经网络主要是BP神经网络或其复合形式为主。经典的BP神经系统网络信息模型在结构上包含三层结构：输入层、隐含层以及输出层。上下层以完全连接的形式连接，各个层次之间的神经元之间则完全没有连接。BP神经网络分为两个子过程:工作信号的前向传输和误差信号的反向传输。在BP神经系统网络中，输入层和输出层的节点数问题都是我们可以确定的，而隐含层的节点数则不确定，可以同时通过对隐含层节点数的调整来调节系统模型的性能。基于人工神经网络的方法的优点是，神经网络可以很容易地构造出分类器，并且模型可以用人脸和非人脸数据样本进行训练。人工神经网络作为一种性能优越的人脸检测方法，不同于传统的人脸检测方法。其在原则上，对于网络的初始训练是依靠对输入样本数据的训练的反作用的，最终实现人脸检测的任务。其与非参数人脸检测方法类似，避免了传统方法中的参数设置、参数调整、参数判别、模型建立、模型调整等一系列复杂的过程。基于SVM的人脸检测方法什么是支持向量机？从本质上来说支持向量机还是一个二分类的分类器，其基本系统模型定义为特征空间上的间隔最大的线性关系分类器。支持向量的目的是很明确的，就是找到一个能将这两种数据从数据中分离出来的分割面，并使这两种数据中的样本点与分割面保持最远的距离。图SEQ图\*ARABIC1支持向量机的任务就是找出超平面，然后立足于这个超平面建立进行人脸检测的分类器。该分类器所获得的分离超平面能够有效降低对预期外数据信息处理时所产生的误差。由于支持向量机建立了一种性能比较高级的有限样本下机器学习的理论框架和通用方法,其既有严格的理论基础,又可以较好地解决小样本、非线性、高维数和局部极小点等所存在的实际问题,因此成为上个世纪九十年代末发展最快的研究方向之一,其核心思想就是学习机器要与有限的训练样本相适应。支持向量机在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势。SVM已经在手写体识别、三维教学目标识别、人脸识别、文本图像分类等实际问题中得到广泛应用，性能优于已有的学习研究方法，表现出相当不错的学习发展能力。其从有限训练数据样本可以得到的决策规则对未知的测试集仍能够通过，而且最终得到的结果与原始结果存在的出入并不大。基于AdaBoost的方法基于ADABOOST的方法，就其本质来说还是基于分类器的人脸检测算法。采用“弱弱联合”的理念，生成的弱分类器联合，构成强分类器。在人脸检测过程中，利用该算法选择一些最能代表人脸的矩形特征(弱分类器)，然后根据加权投票将弱分类器组合成一个强分类器，然后将训练得到的几个强分类器串联成级联分类器，这就有效提高了分类器的检测速度。boost算法是基于PAC学习理论而建立的一套集成学习算法。其基本思想在于通过几个简单的弱分类器构建一个高精度的强分类器，PAC学习理论证实了这种方法的可行性。级联AdaBoost分类器进行目标检测的主体思想是：用多个AdaBoost分类器合作完成对候选框的分类，这些分类器组成一个流水线，对滑动窗口中的候选框图像进行判定，确定它是人脸还是非人脸。在这一系列Adaboost分类器中，之前的强分类器设计非常简单，包含的弱分类器很少，可以快速排除大量的非人脸窗口，但也可能会将一些非人脸图像判断为人脸。如果一个候选框通过了第一个分类器，并被判断为一个脸，它将被发送到下一个分类器进行判断，依此类推。如果一个待检测的窗口通过了所有的强分类器，就认为是人脸，否则就不是人脸。图SEQ图\*ARABIC21.3.3基于知识规则的人脸检测方法基于知识规则的方法是利用人脸规则对输入图像进行人脸检测的方法（如：眼睛、鼻子、嘴巴等的分布）。这类方法主要是利用一些简单的规则来描述人脸面部特征以及这些特征之间的关系。例如，在人脸图像中，通常有一双眼睛、鼻子和嘴巴，这些人脸特征之间的关系由它们之间的位置来表示。然而，这种方法有一个很大的问题，那就是很难用标准的明确的语言来说明这些规则特征。如果我们描述的规则过于详细，若不能同时通过自己所有的规则，检测过程就会失败。如果描述的规则太一般，错误检测率就可能会很高。1.3.4基于不变特征的方法基于肤色特征的方法肤色作为人脸的重要信息，不依赖于人脸特定的细节特征。在实际发展应用中，检测的图像中人脸发生旋转变形问题或者存在表情等情况下，人脸的肤色其通常都不会发生太大变化，而且会与大多数的背景颜色相区别，具有较高的稳定性。因此，肤色特征是人脸检测中最常用的特征。肤色特征主要通过肤色模型来描述。常见的肤色模型有高斯模型、混合高斯模型和直方图模型。人的皮肤问题有着重要特征性的颜色，能跟外界环境背景较明显地区分开来。因此，肤色在色彩空间中的原色，只占据一定的范围，计算出这个范围的值，就可以从背景中过滤出肤色。从过滤后的区域来看，人脸区域在照片中有一定的位置和形状规则，可以根据这些规则对人脸区域进行细分。脸部区域发展包含着眼睛的位置，而眼睛与皮肤问题有着非常明显的不同。把分割出来的脸部图像转变为二值图像后，皮肤与眼睛就能得到很好分开，即白色的皮肤包含着黑色的眼睛。只要计算黑色部分的中心坐标，这个坐标就是眼睛的位置。此时，算出来的质心之间不只包括两个，会有自己眉毛、鼻子、嘴巴等质心的干拢。可以利用双眼在面部的固有位置来确定双眼的质心。作为一个人脸进行检测的切入点，肤色是最简单也是最直观的。在彩色图像中，肤色通常是一个相对集中和稳定的区域。同时，研究表明，不同种族、年龄和性别的人在肤色上的主要差异是亮度，亮度的因素被去除了，检测的准确性就提高了。肤色在一定的肤色空间内具有一定的聚类性。通过检测和分割肤色，可以进一步检测人脸区域，这就是基于肤色特征的人脸检测算法的核心思想。图SEQ图\*ARABIC基于人脸局部特征的方法基于人脸局部特征的方法首先我们可以使用数字图像的各种图像数据处理方式方法对输入图像进行分析处理，然后根据自己处理得到的研究结果提取出的某些特征与人脸的共性特征进行对比比较，判断该区域是否存在人脸。例如，我们可以使用数字图像处理中提取边缘的方法来查找输入图像的边界，然后使用颜色分布曲线形成人脸轮廓，还可以使用从图像中提取的颜色和纹理信息与面部的颜色和纹理模型进行比较，从而产生可能的面部区域。人脸局部特征的综合应用对提高检测算法的性能有很大的作用，但是基于特征的算法也面临很多问题，比如人脸的很多特征可能会被亮度、噪声和遮挡破坏，特征的边界也可能被削弱，使基于感知的分类器无法使用。1.4本文结构本文第一章大致对人脸检测发展背景研究现状以及研究所面临的难点进行大致介绍，第二章对深度学习理论原理进行简要介绍包括深度学习相关概念和原理，第三章对本文所采用的多任务卷积神经网络人脸检测算法进行基本介绍，包括算法原理模型框架和检测流程。最后对本文所做工作以及MTCNN算法进行简要概括。深度学习算法理论2.1引言机器学习，通俗的来说就是让计算机从研究人员提供的大量的数据中提取出有用的信息，从而使得计算机最终获得决策判断的能力。而深度学习（Deeplearning)是机器学习的一个新的研究领域,深度学习使得机器学习更接近于最初的目标——人工智能。我国对深度学习的研究起步较晚，上海师范大学的黎加厚教授在2005年发表的《促进学生深度学习》一文中首次提出深度学习的感念。他认为，深度学习是指在理解的基础上学习新知识、新思想，将其与原有的认知结构相结合，将许多思想相互关联，将现有知识转化为新情况，做出决策，解决问题。深度学习什么是深度学习？“学习”一词我们耳熟能详，从小我们就在学习科学文化知识，听着好好学习天天向上的教诲，然后通过考试来检验学习的成果。从广义上的来说，学习就是对未知事物进行认知的过程，而这个认知过程就是对新鲜事物进行接收，分析，判断，推理，计算等等处理，然后得出一个相对应的理解或者定义概论。我们对任何新鲜事物的接受过程都包含着认知的过程，所以也可以称为广义上的“学习”。那“深度”又该怎么理解呢？要理解这个词就需要先理解神经网络。神经网络有在生物学上的定义，本人理解过来就是大量的神经元以某些种类的方式相互连接在一起形成一个结合体，这个结合体形似一个网络，因此又叫做神经网络。人脑的神经网络能够处理非常复杂的问题，能够对各种新鲜事物进行学习，所以研究人员就希望能够模仿复制这种“神经网络”，即人工神经网络。其相对于人脑神经网络更加容易理解。人工的网络结构通常情况下包括输入层、输出层和隐藏层，其中输入和输出都是一层，而隐藏层的层次通常是多层。输入的待处理的数据从输入到输出所经过的所有层数就是广义上的“深度”，要处理的问题越复杂，待处理的数据要走的层数就越多，“深度”就越深。所以，总的来说，“深度学习”就是对未知的事物经过人工神经网络的分析处理，最终得到一个新的认知的过程。2.2人工神经网络（artificialneuralnetwork）人工神经网络是一种模仿人脑神经网络行为特征，进行分布式并行信息处理的算法数学模型。网络的性能依赖于系统的复杂性，通过调整大量内部节点（神经元）之间链接的权重，可以达到信息处理的目的。其实际上是一个由大量基本单元相互之间连接而成的复杂信息网络，其具有一定高度的非线性，能够通过进行比较复杂的逻辑运算和非线性数据处理。神经网络是一种由大量神经元相互连接而成的计算模型。每个节点代表一个称为激活函数的特殊输出函数。两个重要节点之间的连接代表通过该连接信号的加权值，这个加权值就被称为权重。人工神经系统网络中，神经元处理单元可以表示不同的对象，例如特征、概念、字母等等。神经网络的处理单元可以分为三种类型:输入单元、输出单元和隐单元。输入单元进行接收外部输入的信号和数据。输出单元输出系统处理的结果。隐含的单元位于输入和输出单元中，无法从系统外部看到，并且是信号和数据处理单元。神经元之间进行连接的权值反映了单元间的连接强度，信号和数据的显示和处理则体现在网络技术处理单元的连接关系中，人工神经网络，本质上来说就是可以通过利用网络的变换和动力学行为得到一种并行分布式的信息分析处理学习能力，并且在不同程度和层次上模仿人脑神经系统的信息管理和处理能力。2.3卷积神经网络卷积神经网络是在传统人工神经网络的基础上，类似于全连通神经网络。但有一点不同:卷积神经网络将图像转换成二维矩阵格式，这种格式在网络的各个层面都有使用。这样的数据进行处理方式有利于二维矩阵格式的图像信息处理。与传统的人工神经网络相比，其特征提取速度更快、提取更容易。卷积神经网络的基本结构由数据输入层、卷积计算层、激励层、池化层、全连接层和数据输出层组成。2.3.1数据输入层输入层的作用主要是通过数据的输入。并且对原始信息数据可以进行预处理。有几个常见的预处理操作：平均化处理，将每个输入数据的每个特征的平均值中心化为零。归一化操作，在均值化的基础上再除去该特征值的方差，将输入数据调整到相同的范围。PCA降维，将高维数据集投影到低维的坐标轴上,并要求投影后的数据集具有最大的方差.特征之间的相关性被去除并用于获得低频信息。白化，在PCA的基础上,对转换后的数据分析每个特征轴上的幅度可以进行一个归一化.用于直接获取高频信息。2.3.1卷积层卷积层是卷积神经网络系统的核心层，对输入的数据信息进行一个卷积操作。卷积运算的目的是增强原始数据的特征信息，并且减少噪声的干扰。2.3.2激励层激励层的作用主要就是将卷积层的输出数据结果做非线性映射，在卷积神经系统网络中一般可以采用ReLU激活相关函数。2.3.3池化层卷积层之后通常有一个下采样层，计算图像某一区域某一特征的均值或最大值。此聚合操作就叫做池化。其主要功能如下：通过逐步减小表示的空间大小，减少网络中的参数数量和计算量；池化层在每个特征图上进行独立操作。使用池化层可以通过压缩数据和参数的量，减小过拟合。简单的来说，如果输入是图像，那么池化层的主要作用就是压缩图像。常见的池化操作有两种：均值池化，对合并区域内的像素点取平均值。该方法通常可以用于获取背景信息，所以我们得到的特征分析数据对背景信息技术更加敏感。最大化池，选择每个小窗口的最大值作为像素特征点，这样的方法可以省略去不重要的像素特征点。2.3.4全连接层类似于传统神经网络的结构，全连接层的神经元与前一层的所有激活输出相连，就像下一层的神经元传输数据一样。因为用到了我们所有的局部进行特征研究所以就叫全连接层。通过完全连接的层结构，将先前输出的要素重新组合成完整的图像。2.3.5输出层输出层通常在全连通层之后，输出层通过全连通层的激活函数输出每个图像类别的概率。基于深度学习的人脸检测3.1引言Multi-taskconvolutionalneuralnetwork,MTCNN。多任务卷积神经系统网络人脸检测分析算法，是在传统的卷积神经网络人脸检测技术检测率不高问题以及检测速度不快的背景下诞生的，而在深度学习能力相关的算法中，MTCNN算法是人脸检测中实用性较好，性能要求较高的一种算法，其可以同时根据图片中的正面或者侧面的人脸的关键点进行人脸检测。2016年中科院深圳研究院提出了一种新的用于进行检测人脸的的多任务卷积神经网络系统模型。模型主体由三个卷积网络级联组成。该模型的主体是一个带有候选框的分类器。其主体通过网络中P层卷积神经网络技术用于企业快速发展生成人脸候选框，R层卷积网络的作用是对P层输入的大量的人脸候选框进行高精度的过滤筛选，而O层网络则是可以用于生成最终的人脸候选框和人脸的关键点。与很多处理图像分析问题的卷积神经系统网络信息模型类似，该模型也用到了非极大值抑制，图像金字塔和边界框回归等相关的数字图像处理技术。3.2MTCNN人脸检测算法原理多任务卷积神经网络人脸检测算法，综合了人脸检测和人脸关键点定位的双重任务，MTCNN算法的主体框架可分为图像金字塔模块以及P-Net、R-Net、和O-Net三层网络结构，前面一级的输出会作为后一级的输入。图SEQ图\*ARABIC4图SEQ图\*ARABIC5图像金字塔在人脸检测之前，需要对输入图像进行不同尺度的变换，以适应不同大小的人脸检测，即构建图像金字塔。图像金字塔是一种以多分辨率来解释图像的结构，通过对原始图像进行多尺度像素采样的方式，生成N个不同分辨率的图像。把具有最高级别分辨率的图像放在底部，以金字塔形状排列，往上是一系列像素逐渐降低的图像，一直到金字塔的顶部只包含一个像素点的图像，这就构成了传统意义上的图像金字塔。图SEQ图\*ARABIC6P-Net(ProposalNetwork)该网络结构主要获得了人脸区域的候选窗口和边界框的回归向量。并用该边界框做回归，对候选窗口进行校准，然后通过非极大值抑制（NMS）来合并高度重叠的候选框。该层网络由一个全卷积网络构成，通过一个全卷积网络对上一部形成的图像金字塔进行初步的特征提取与标定边界框。该层网络是一个人脸检测的区域建议网络，其生成的大量人脸候选框通过一个人脸二分类器判断该区域是否存在人脸，与此同时使用边界框回归和面部关键点的定位器来进行人脸区域的初步提取，P层网络进行人脸区域的初步提取，生成大量的人脸候选框，这些候选框将在R-net作进一步处理。这一部分的基本思想是使用较为浅层、较为简单的卷积神经网络快速生成人脸候选窗口。图SEQ图\*ARABIC7R-Net（RefineNetwork）该层网络的基本结构是一个卷积神经网络，比P-net多了一个全联接层，因此对输入候选框的筛选效果更佳。P层网络生成的大量的人脸候选框会作为输入输入该层网络，这个网络就会筛除掉大量重叠和包含人脸可能性比较小的的人脸候选框，关键步骤就是对选取的人脸候选框进行边界框回归并使用非极大值抑制对筛选的人脸区域进行优化。由于P-Net的输出都是具有一定可信度的可能的人脸候选区域，因此在这层网络中，只需对输入进行细化筛选，筛除掉大部分的错误输入，并再次使用边界框回归和面部关键点定位器进行人脸区域的边界框回归和关键点定位，最后输出可信度更高的人脸区域，输入ｏ层网络。与上一层网络相比，保留了更多的图像特征，生成人脸候选框的准确度也更高。NET的思想是使用一个相对于上一层网络更复杂的卷积网络来对P-NET生成的人脸候选框进行进一步的选择和调整，从而达到高精度过滤和人脸区域优化的目的。O-net（OutputNetwork）该层网络的基本结构是一个更为复杂的卷积神经网络，相对于R-Net来说又多了一个卷积层。O层网络与R层网络的区别主要在于这一层结构会通过更多的监督来识别面部的区域，并且会对人的面部特征点进行回归，最终输出五个人脸面部关键点。O-Net拥有特征更多的输入和更复杂的网络结构，也具有更好的性能，这一层的输出作为最终的网络模型输出。O-Net的思想和R-Net相类似，即使用更复杂的网络对模型性能进行优化[1]。非极大值抑制(NMS)非极大值抑制的意思就是搜索局部的最大值，抑制极大值。简单的来说，人脸检测过程中，会生成大量可能存在人脸的区域，但是每个区域存在人脸的可能性并不相同，就需要NMS筛除掉大量存在人脸可能性低的区域框，最终选择出存在人脸可能性最大的候选框。相关的实现代码如下：图SEQ图\*ARABIC83.3算法改进本文建立在原始的的mtcnn人脸检测算法的基础上。原有的mtcnn人脸检测算法虽然与以前的人脸检测算法相比具有较好的性能，但其在实际应用中的性能并不十分理想，在检测率和检测率方面的性能也有待提高。本文通过引入人脸错误检测模块，并对模块的关键参数如置信度值进行微调，以达到提高检测率和检测率的目的。参考文献[1]李欣,张童,厚佳琪,张子昊.基于深度学习的多角度人脸检测方法研究[J].计算机技术与发展,2020,30(09):12-17.[2]林凯瀚.基于深度学习的人脸检测与分割方法研究[D].广东技术师范大学,2020.[3]王超,李东,雷震.人脸检测技术的研究进展[J].电脑知识与技术,2009,5(25):7211-7213.DOI:10.3969/j.issn.1009-3044.2009.25.061.[4]胡韬.深度学习卷