隨著社交媒體的日益發(fā)展,獲取面部性別、年齡屬性的需求也逐漸增加。在人機交互系統(tǒng)中對人臉性別和年齡信息進行應用,給人們的生活帶來諸多便利。本文基于深度學習方法,從大量人臉數(shù)據(jù)中獲取信息、提取特征、建立網(wǎng)路模型,構造損失函數(shù),最終實現(xiàn)智能識別。論文主要研究工作及創(chuàng)新性如下:（1）設計了一種人臉檢測與關鍵點定位的異步級聯(lián)卷積神經(jīng)網(wǎng)絡,在訓練過程中通過設計卷積核尺寸與最大池化步長,實現(xiàn)了不同級聯(lián)網(wǎng)絡的特征提取。在第一個級聯(lián)網(wǎng)絡的輸出中使用全卷積層,后兩個網(wǎng)絡使用全鏈接層,使得輸入圖片的尺寸不受限制;同時采用非極大抑制（NMS）的思想將非人臉數(shù)據(jù)和重疊人臉數(shù)據(jù)進行從粗到精的剔除,保證了小臉檢測的魯棒性。實驗結(jié)果表明,本文設計的網(wǎng)絡實時檢測幀率可達到40～50fps,最小可檢測人臉尺寸為12×12像素。（2）提出了基于深度學習的多任務共享卷積方法,在共享主干網(wǎng)絡之后,輸出層同時輸出性別和年齡的結(jié)果。以Res Net網(wǎng)絡為主體,利用Group Convolution代替普通卷積,在不增加參數(shù)量的同時提高了特征提取能力;增加SE-Net模塊來學習不同通道的特征關系;針對Res Net的不同層數(shù)選擇性加... 

【文章來源】：北方工業(yè)大學北京市

【文章頁數(shù)】：91 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 人臉檢測與關鍵點定位研究現(xiàn)狀
        1.2.2 人臉性別預測的研究現(xiàn)狀
        1.2.3 人臉年齡估計的研究現(xiàn)狀
    1.3 人臉數(shù)據(jù)庫
        1.3.1 人臉檢測與關鍵點定位
        1.3.2 性別預測與年齡估計
    1.4 論文主要研究內(nèi)容與創(chuàng)新點
        1.4.1 研究內(nèi)容
        1.4.2 研究創(chuàng)新點
        1.4.3 論文組織結(jié)構
第二章 人臉特征提取關鍵技術
    2.1 卷積神經(jīng)網(wǎng)絡架構概述
        2.1.1 卷積層
        2.1.2 批量歸一化層
        2.1.3 激活層
        2.1.4 池化層
        2.1.5 全連接層
        2.1.6 Softmax損失函數(shù)層
    2.2 特征提取主干網(wǎng)絡
        2.2.1 Resnet網(wǎng)絡
        2.2.2 Dense Net網(wǎng)絡
        2.2.3 SEnet網(wǎng)絡
        2.2.4 Mobile Net網(wǎng)絡
    2.3 神經(jīng)網(wǎng)絡優(yōu)化算法
        2.3.1 批量梯度下降(BGD)算法
        2.3.2 隨機梯度下降(SGD)算法
        2.3.3 小批量梯度下降(MBGD)算法
    2.4 深度學習框架
        2.4.1 MXNet框架
        2.4.2 Py Torch框架
        2.4.3 Caffe框架
        2.4.4 Tensor Flow框架
    2.5 本章總結(jié)
第三章 人臉檢測與關鍵點定位算法設計
    3.1 引言
    3.2 網(wǎng)絡前向推理設計
        3.2.1 構造建議框
        3.2.2 非極大抑制(NMS)算法
        3.2.3 前向推理流程
    3.3 多任務級聯(lián)卷積網(wǎng)絡設計
        3.3.1 網(wǎng)絡結(jié)構的設計
        3.3.2 損失函數(shù)的設計
    3.4 實驗過程與分析
        3.4.1 數(shù)據(jù)預處理
        3.4.2 網(wǎng)絡訓練
        3.4.3 結(jié)果分析
    3.5 本章小結(jié)
第四章 人臉性別與年齡估計算法設計
    4.1 引言
    4.2 前向推理設計
    4.3 性別預測與年齡估計網(wǎng)絡設計
        4.3.1 改進Res Ne Xt網(wǎng)絡
        4.3.2 改進Mobile Net網(wǎng)路
        4.3.3 損失函數(shù)的設計
        4.3.4 評估函數(shù)的設計
        4.3.5 神經(jīng)網(wǎng)絡優(yōu)化器的設計
    4.4 實驗過程與分析
        4.4.1 數(shù)據(jù)預處理
        4.4.2 實驗環(huán)境
        4.4.3 網(wǎng)絡訓練
        4.4.4 結(jié)果分析
    4.5 本章小結(jié)
第五章 工程設計與實現(xiàn)
    5.1 RKNN異構框架
    5.2 Core-3399Pro-JD4 嵌入式主板
    5.3 工程實現(xiàn)
    5.4 本章小結(jié)
第六章 結(jié)論與展望
    6.1 主要結(jié)論
    6.2 研究展望
參考文獻
在學期間的研究成果
致謝


【參考文獻】：
期刊論文
[1]基于深度卷積神經(jīng)網(wǎng)絡的人臉識別技術綜述[J]. 景晨凱,宋濤,莊雷,劉剛,王樂,劉凱倫.  計算機應用與軟件. 2018(01)
[2]人臉及特征點檢測方法綜述[J]. 胡健,左艷超.  無線互聯(lián)科技. 2017(06)
[3]人臉檢測方法綜述[J]. 趙麗紅,劉紀紅,徐心和.  計算機應用研究. 2004(09)
[4]基于Gabor小波特征抽取和支持向量機的人臉識別[J]. 劉江華,陳佳品,程君實.  計算機工程與應用. 2003(08)



本文編號：3181036