發(fā)布時(shí)間：2018-08-22 07:11

【摘要】：隨著社會(huì)的不斷發(fā)展,人們的身份信息在生產(chǎn)生活中顯得越來(lái)越重要。人臉識(shí)別技術(shù)不僅是計(jì)算機(jī)視覺(jué)研究的熱點(diǎn),而且在安保、金融、電子政務(wù)等多個(gè)領(lǐng)域得到了廣泛應(yīng)用。本文中主要是研究了深度學(xué)習(xí)方法中卷積神經(jīng)網(wǎng)絡(luò)的模型在自然場(chǎng)景下人臉識(shí)別的相關(guān)應(yīng)用。與傳統(tǒng)的人臉識(shí)別的方法相比深度卷積神經(jīng)網(wǎng)絡(luò)的模型不需要人工進(jìn)行相對(duì)復(fù)雜并且耗時(shí)的特征提取的算法設(shè)計(jì),我們只需要選擇或設(shè)計(jì)一個(gè)有效的神經(jīng)網(wǎng)絡(luò)模型,并在大量的訓(xùn)練樣本上進(jìn)行簡(jiǎn)單高效的訓(xùn)練,便可提取出圖像的特征并獲得相對(duì)較好的分類(lèi)準(zhǔn)確率。這種方法的性能和效果主要取決于網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計(jì),因此在本文研究過(guò)程中,將重點(diǎn)放在如何構(gòu)建一個(gè)合理的網(wǎng)絡(luò)模型上,并采取相關(guān)的技術(shù)使其在訓(xùn)練集上能夠快速穩(wěn)定的收斂,最終還要獲得良好的識(shí)別效果。本論文主要對(duì)人臉檢測(cè)和人臉識(shí)別的方法進(jìn)行了分析、優(yōu)化和實(shí)現(xiàn)。在人臉檢測(cè)過(guò)程中,將Haar特征與Adaboost算法相結(jié)合起來(lái),并運(yùn)用積分圖的方法來(lái)加快Haar特征的求值計(jì)算,從而快速高效的實(shí)現(xiàn)人臉檢測(cè)。該模塊不僅實(shí)現(xiàn)了靜態(tài)的人臉檢測(cè)和動(dòng)態(tài)的人臉檢測(cè)兩部分的功能,并且將人臉檢測(cè)嵌入到人臉識(shí)別的系統(tǒng)中,提高人臉識(shí)別的效率。在人臉識(shí)別過(guò)程中,通過(guò)合理的減少原VGG卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練參數(shù),得到了改進(jìn)的VGG網(wǎng)絡(luò)模型,并使用比隨機(jī)初始化更好地參數(shù)初始化方法來(lái)縮減模型的收斂時(shí)間,最終該新模型不僅解決了原VGG模型對(duì)硬件要求高、訓(xùn)練困難等方面的問(wèn)題,而且成功的應(yīng)用于自然環(huán)境下的人臉識(shí)別,并在嚴(yán)格預(yù)處理后的LFW(Labeled Faces in the Wild)人臉數(shù)據(jù)庫(kù)上進(jìn)行實(shí)驗(yàn),獲得了92%的準(zhǔn)確率。在本論文中將上述的模型算法應(yīng)用于實(shí)際場(chǎng)景中,實(shí)現(xiàn)了一個(gè)實(shí)時(shí)的人臉識(shí)別系統(tǒng)。并對(duì)系統(tǒng)各個(gè)模塊的功能和流程進(jìn)行詳細(xì)介紹,并在自建的人臉數(shù)據(jù)庫(kù)上進(jìn)行了運(yùn)用,達(dá)到了94%的準(zhǔn)確度。該系統(tǒng)驗(yàn)證了本文方法的有效性,達(dá)到了人臉識(shí)別的應(yīng)用要求。
[Abstract]:With the development of society, people's identity information becomes more and more important in production and life. Face recognition is not only a hot topic in computer vision, but also widely used in many fields such as security, finance, electronic government and so on. In this paper, the application of convolution neural network model in the deep learning method to face recognition in natural scene is studied. Compared with the traditional face recognition method, the model of deep convolution neural network does not need to design a relatively complex and time-consuming feature extraction algorithm, so we only need to select or design an effective neural network model. With a large number of training samples, the image features can be extracted and a relatively good classification accuracy can be obtained by a simple and efficient training. The performance and effect of this method mainly depend on the design of network structure, so in the research process of this paper, the emphasis is on how to build a reasonable network model. The related techniques are adopted to make the training set converge quickly and stably, and finally a good recognition effect is obtained. In this paper, the methods of face detection and face recognition are analyzed, optimized and realized. In the process of face detection, the Haar feature is combined with the Adaboost algorithm, and the method of integral graph is used to speed up the evaluation of Haar features, so that face detection can be realized quickly and efficiently. This module not only realizes the functions of static face detection and dynamic face detection, but also embeds face detection into face recognition system to improve the efficiency of face recognition. In the process of face recognition, by reasonably reducing the training parameters of the original VGG convolution neural network, the improved VGG network model is obtained, and the convergence time of the model is reduced by using a better parameter initialization method than the random initialization method. Finally, the new model not only solves the problems of high hardware requirement and difficult training of the original VGG model, but also successfully applies to face recognition in the natural environment, and carries on the experiment on the LFW (Labeled Faces in the Wild) face database after strict preprocessing. The accuracy rate is 92%. In this paper, a real-time face recognition system is implemented by applying the above model algorithm to the real-time scene. The function and flow of each module of the system are introduced in detail, and applied in the self-built face database, and the accuracy is 94%. The system verifies the effectiveness of this method and meets the requirements of face recognition.
【學(xué)位授予單位】：濟(jì)南大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類(lèi)號(hào)】：TP391.41;TP183

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 陳耀丹;王連明;;基于卷積神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別方法[J];東北師大學(xué)報(bào)(自然科學(xué)版);2016年02期

2 王茜;張海仙;;深度學(xué)習(xí)框架Caffe在圖像分類(lèi)中的應(yīng)用[J];現(xiàn)代計(jì)算機(jī)(專(zhuān)業(yè)版);2016年05期

3 盧宏濤;張秦川;;深度卷積神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)視覺(jué)中的應(yīng)用研究綜述[J];數(shù)據(jù)采集與處理;2016年01期

4 肖陽(yáng);;人臉檢測(cè)算法綜述[J];電子技術(shù)與軟件工程;2014年04期

5 曹瑩;苗啟廣;劉家辰;高琳;;AdaBoost算法研究進(jìn)展與展望[J];自動(dòng)化學(xué)報(bào);2013年06期

6 陳淑玲;;基于特征臉?lè)ǖ娜四樧R(shí)別算法[J];長(zhǎng)江大學(xué)學(xué)報(bào)(自然科學(xué)版);2012年12期

7 陳志恒;姜明新;;基于openCV的人臉檢測(cè)系統(tǒng)的設(shè)計(jì)[J];電子設(shè)計(jì)工程;2012年10期

8 趙秀萍;;生物特征識(shí)別技術(shù)發(fā)展綜述[J];刑事技術(shù);2011年06期

9 曾岳;馮大政;何新田;;基于二值數(shù)據(jù)貝葉斯子空間的人臉識(shí)別算法[J];計(jì)算機(jī)工程;2011年05期

10 張瑩;李勇平;敖新宇;;基于OpenCV的通用人臉檢測(cè)模塊設(shè)計(jì)[J];計(jì)算機(jī)工程與科學(xué);2011年01期

相關(guān)博士學(xué)位論文 前3條

1 李根;基于局部特征和進(jìn)化算法的人臉識(shí)別[D];吉林大學(xué);2014年

2 唐亮;面向人臉識(shí)別的子空間分析和分類(lèi)方法研究[D];浙江大學(xué);2009年

3 山世光;人臉識(shí)別中若干關(guān)鍵問(wèn)題的研究[D];中國(guó)科學(xué)院研究生院（計(jì)算技術(shù)研究所）;2004年

相關(guān)碩士學(xué)位論文 前7條

1 楊楠;基于Caffe深度學(xué)習(xí)框架的卷積神經(jīng)網(wǎng)絡(luò)研究[D];河北師范大學(xué);2016年

2 萬(wàn)士寧;基于卷積神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別研究與實(shí)現(xiàn)[D];電子科技大學(xué);2016年

3 葉浪;基于卷積神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別研究[D];東南大學(xué);2015年

4 葉睿;基于深度學(xué)習(xí)的人臉檢測(cè)方法研究[D];哈爾濱工業(yè)大學(xué);2015年

5 林鵬;基于Adaboost算法的人臉檢測(cè)研究及實(shí)現(xiàn)[D];西安理工大學(xué);2007年

6 吳松松;人臉識(shí)別的線性子空間方法研究[D];南京林業(yè)大學(xué);2007年

7 鄧少濵;幾種人臉檢測(cè)方法的研究[D];南京理工大學(xué);2003年

，

本文編號(hào)：2196345