文献综述（或调研报告）：
（一）前言
人脸检测是在输入图像中确定所有人脸的位置、大小、姿态的过程。人脸检测是人脸识别系统中的一个关键环节。早期的人脸识别研究主要针对于具有较强约束条件的人脸图像，该类型图像中人脸位置十分容易获得，因此人脸检测问题并未受到重视。随着电子信息技术的发展，人脸识别成为一项极具潜力的生物特征识别方法，而这种应用背景对于人脸识别系对一般环境的图像的适应力有一定要求。因此人脸检测逐渐收到研究人员的重视。
（二）正文
近年来，国内外学者就人脸检测进行了深入的研究，提出了一系列基于深度学习的人脸检测方法。已有的方法种类繁多，设计难易程度以及优缺点各不相同。下文将对近几年一些性能优秀的方法进行概述：
1.MTCNN
多任务卷积神经网络(MTCNN)是比较经典快速的人脸检测技术，它可以同时实现人脸检测与人脸关键点检测两个任务。图像数据先后经过三个级联轻量级卷积神经网络(CNN):PNet、RNet和ONet的处理，最终输出人脸检测和人脸关键点的检测结果。
如图1所示，整个模型分为三个阶段，在输入到网络之前，先对输入图像进行不同程度的缩放，从而得到图像金字塔。第一阶段使用推荐网络(P-Net)获得脸部区域窗口与边框回归，然后使用非最大值抑制(NMS)合并重叠的窗口，由于预处理阶段得到的图像金字塔较大，第一阶段可以得到大量的特征映射，进而得到较多的人脸候选窗口；第二阶段通过优化网络(R-Net)过滤掉绝大部分非人脸候选窗口并使用边框回归和NMS进行合并；第三阶段通过一个能力更强的网络O-Net找到人脸上的五个标记点。
此外，作者在训练过程中使用了在线困难样本挖掘(Online hard sample mining)的方法，对批中每个样本的损失进行排序，选取前70％作为困难样本，仅反向传播困难样本得到的梯度。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
