新生儿疼痛自动评估系统能够及时有效地帮助医护人员对新生儿进行疼痛评估,而新生儿面部检测与跟踪是自动评估系统的前提和基础,能够滤除疼痛表情识别过程中的干扰信息,进而提高识别率。然而,现有的面部检测算法都是基于成年人样本进行设计的,但是新生儿与成年人之间存在较大的面部特征差异,因此本文利用深度学习技术自适应地学习适合新生儿面部的特征表达,实现对新生儿的面部检测和跟踪,具体工作如下:(1)建立新生儿图像数据库。数据库是进行新生儿面部检测和跟踪算法研究的基础,通过对采集到的原始新生儿视频进行预处理操作可建立一个包含角度、背景以及面部状态变化的图像数据库。(2)基于改进的多层次特征深度学习算法的新生儿面部检测。本文根据新生儿面部特征的特点,提出了一种改进的多层次特征深度学习算法,利用多层次特征图的检测方式提升了新生儿面部检测的速度或精确率。实验结果表明,该算法一方面采用ZFNet基础网络结构作为特征提取层能够有效提高检测速度;另一方面根据基础网络结构选取合适层次的特征图可以将检测精确率提高至98.2%。(3)基于YOLOv2算法的新生儿面部检测。对新生儿图像的标注框尺寸进行K-means聚类能够得到最佳的默认框尺寸,从而有效地改善了检测性能。本文将YOLOv2算法、多层次特征深度学习算法以及多任务级联卷积神经网络算法进行实验对比,结果表明YOLOv2算法具有最佳的检测效果,精确率为99.5%。并且明显改善了在新生儿侧脸、遮挡以及表情状态变化情况下的检测性能。(4)新生儿面部跟踪算法的研究。本文研究了核相关滤波算法和全卷积孪生网络算法的基本原理,并应用于新生儿面部跟踪中。实验结果表明,全卷积孪生网络算法具有更好的鲁棒性,同时对具有遮挡、光照以及尺度变化的新生儿视频的跟踪效果也明显优于核相关滤波算法,且能满足实时性的要求。