【摘要】：人臉識別是生物特征識別的重要領域之一,在人機交互、身份驗證、社會安防等諸多方面有著十分廣闊的應用前景。目前,基于深度學習提取人臉特征進行人臉靜態(tài)圖片識別的方法,在Labeled Faces in the Wild (LFW)數據集等標準集上的正確識別率幾乎接近人類。但是,在視頻流中,如監(jiān)控系統(tǒng)中的人臉,由于人體的不停運動和姿態(tài)偏移等問題,導致檢測到的部分人臉區(qū)域嚴重模糊和不完整,這種情況下,單純地采用基于圖片的人臉識別方法,準確率會嚴重下降。視頻具有可用于識別的大量人臉區(qū)域圖像信息。然而,不是所有幀中的臉部圖像都適合于圖像識別。因此,利用視頻中所有幀進行識別并不一定會提高性能,反而顯著增加了識別的計算時間。本文考慮到視頻中人臉的姿態(tài)、圖像的模糊以及人臉區(qū)域圖像的大量冗余等問題,設計并實現(xiàn)了基于人臉區(qū)域的特征自相關系數和互相關系數的人臉區(qū)域圖像選取算法,以及加權投票判決的人臉識別方法。該系統(tǒng)可以有效地選取高質量人臉圖像用于人臉識別,并減少連續(xù)視頻幀中人臉圖像的冗余,通過對少數人臉圖像的識別并加權投票判決,降低了人臉識別的計算次數,提高了識別系統(tǒng)的正確率、實時性與穩(wěn)定性。本文的主要工作如下:1.提出一種衡量人臉圖像特征質量的指標--人臉圖像的特征自相關系數。通過該指標可以濾去人臉模糊、姿態(tài)傾斜的人臉圖像,選取適合識別的高質量人臉圖像,從而提高人臉識別率;2.提出一種衡量多張人臉圖像間冗余度的指標--圖像的特征互相關系數。通過該指標減少識別次數,為實現(xiàn)實時視頻人臉識別提供可能;3.采用基于深度學習的K-NN分類人臉識別算法實現(xiàn)單張圖片的識別,提出一種基于互相關系數的加權投票人臉判決算法;4.實現(xiàn)了視頻流人臉識別系統(tǒng)。且通過對分類系統(tǒng)分類類別以及類別的特征進行版本控制,可遠程在線更新系統(tǒng)的識別能力
【圖文】：

領士學位論文逡逑ＭＡＳＴＥＲ＇Ｓ邋ＴＨＥＳＩＳ逡逑Ｒｅｃｏｇｎｉｔｉｏｎ邋（ＣＶＰＲ）上用于提取人臉特征的深度學習模型。其模型結構如圖２．１逡逑所示，網絡由批量輸入層和深層ＣＮＮｓ組成，隨后Ｌ２歸一化，輸出人臉特征。逡逑＂＂＂Ｅ￣￣逡逑邐：￣￣：邐邋邐１邋Ｗ邋Ｈ邐逡逑ＤＥＥＰ邋ＡＲＣＨＩＴＥＣＴＵＲＥ邋Ｌ２邋＃邋0邋＃邋ｒ／ｊｊ；逡逑ｉＨｎＨｎＨＢＢＨｉ邐１邐邐Ｉｎ邐匕娭；逡逑Ｂａｔｃｈ邐Ｎ逡逑圖２．１邋Ｆａｃｅｎｅｔ晸模型結構逡逑Ｆａｃｅｎｅｔ在訓練的時候，采用ＴｒｉｐｌｅｔＬｏｓｓ的方法計算損失函數，其示意圖如逡逑圖２．２所示。其思想是最小化錨特征與同類間特征的距離，最大化錨特征與其他逡逑類間特征的距離。逡逑Ｎｅｇａｔｉｖｅ逡逑Ａｎｃｈｏｉ＾邋＾邐ＬＥＡＲＮＩＮＧ逡逑Ｎｅｇａｔｉｖｅ逡逑—？０邐Ａｎｃｈｏｒ邋＾逡逑Ｐｏｓｉｔｉｖｅ邐Ｐｏｓｉｔｉｖｅ逡逑圖邋２．２邋Ｔｒｉｐｌｅｔ邋Ｌｏｓｓ［１Ｑ］不意圖逡逑除了邋Ｔｒｉｐｌｅｔ邋Ｌｏｓｓ可用于訓練特征提取網絡外，Ｗｅｎ等人提出使用ＳｏｆｔＭａｘ逡逑ｌｏｓｓ和Ｃｅｎｔｒａｌ邋Ｌｏｓｓ按比例融合的方法，同樣可以提取在高維下離散的人臉特征。逡逑本文借鑒Ｗｅｎ提出的損失函數，，具體內容將在３．４．１節(jié)中詳細介紹。邐４逡逑２．２目標跟蹤簡介逡逑目標跟蹤是計算機視覺領域最重要的研究熱點之一，被廣泛應用于軍事、醫(yī)逡逑學、交通等領域。雖然目標跟蹤技術已經研[偭思甘

本文編號：2616816