《表2 TC＿CNN与其他算法的性能对比》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《两层级联卷积神经网络的人脸检测》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

注:加粗字体表示最优结果。

为验证基于TC＿CNN模型的人脸检测问题的有效性，本文分别从人脸检测率Pr、误检率Pf、漏检率（1-Pr）和检测时间t[18]等多角度对TC＿CNN模型与当前人脸检测较优算法进行对比实验。将TC＿CNN算法与文献[19]中同样采用级联思想的Adaboost算法、较为优秀的文献[20]中的Fast LBP方法、文献[21]对Adaboost算法加以改进的NPD+Adaboost方法，以及文献[22]空间金字塔池化+级联卷积神经网络（SPP+CNN）等算法性能做对比，5种算法对比实验结果如表2。从表2可以看出，在检测率上，本文方法为96.39%，比传统的基于级联思想的Adaboost方法高7.63%，比Fast LBP方法高3.57%，比NPD+Adaboost方法高0.50%，比SPP+CNN方法高6.04%；在误检率上，本文方法低至3.78%，比Adaboost方法低2.44%，比Fast LBP方法低4.47%，比NPD+Adaboost方法低0.59%，比SPP+CNN方法低5.09%；在检测速度上，TC＿CNN模型检测效率明显高于SPP+CNN模型，略高于Adaboost方法、Fast LBP方法和NPD+Adaboost方法。综上所述，本文提出的TC＿CNN模型在人脸检测上具有良好的检测效果，无论在检测率、误检率和检测速度上均有提高，体现了本文算法的优势。