摘要
人脸检测和面部表情识别技术既是计算机视觉领域重要的研究内容，又在安全等诸多领域都具有重要的应用意义。随着人脸检测和表情识别算法精度不断提高，网络却日渐复杂，不利于人脸检测算法以及面部表情识别算法投入到实际应用中。而研究自然光条件下的人脸检测和表情识别算法对技术的实际应用有重要意义。对此，本文提出了在自然光条件下的改进的Retinaface人脸检测网络以及结合通道注意力机制与残差网络的面部表情识别方法。 首先，为平衡人脸检测模型参数量与准确性，选用轻量化的Retinaface网络作为基本网络，使用计算更加高效的GhostNet模块替代原始主干提取网络，利用生成Ghost feature maps减少卷积操作数量，实现计算效率的提升;采用Bi-FPN结构替换原始网络中的FPN结构，利用Bi-FPN的双向结构和额外的节点增强特征层之间的连接，实现了对特征图之间的语义信息差异的更优处理，并加强了信息交互。实验表明，与原始Retinaface网络相比，改进后的模型在Widerface三个不同难度的子集上，分别达到92.44％、89.71％、80.98％的平均精度，最高提升了 7.35％。 其次，针对面部表情识别网络日益复杂的问题，构建以ResNet18网络作为主干网络的融合人脸表情特征提取与表情分类的端到端人脸表情识别模型。将输入的图片经过卷积层后不再进行最大池化，避免因最大池化而带来的特征信息损失;然后，加入Dropout策略，减轻过拟合现象，提高模型的泛化能力;最后，选择Cosine Decay作为学习率调整方式，提高模型精度。实验结果表明，与其他模型相比该模型具有更好的识别效果，在FER2013、CK+、RAF-DB数据集上分别达到了 76.09％、96.97％、79.9％的准确率，较原始模型分别提升了3.92％、5.87％、6.5％。
NETL