高低频通道特征交叉融合的低光人脸检测算法

低光条件下捕获的人脸图像存在着噪声严重、对比度低等不足,极大影响了现有人脸检测器的准确性,另外,现有的低光图像检测算法欠缺小区域人脸信息的提取能力。为此,提出一种基于深度学习的两阶段人脸检测算法,即利用现有的低光图像增强算法对人脸图像进行增强后再进行检测。为提升检测算法对人脸信息的提取能力,设计一种新型的高低频通道特征交叉融合方法,该方法首先使用高低频通道特征可分离模块分离出不同尺度特征的高低频信息,然后对上述信息进行交叉融合,提升网络提取高频细节信息和低频色域信息的能力,进而提高检测网络的性能。对比试验和消融试验验证了该研究方法的有效性,试验结果表明该方法优于基准方法4.0%mAP。

基于图像增强的低光弱人脸检测算法分析

为提升人脸检测技术对低光弱人脸图像的检测性能,以带色彩恢复的多尺度Retinex算法为基础,通过光照反射率损失函数对其进行优化提升,进而形成基于图像增强的低光弱人脸检测算法。经过模型训练之后,开展性能检验,在100张低光照图片的检测中,该算法的人脸识别准确率达到94.52%,召回率达到99.03%,全面优于对照组的算法模型。