隨著科技的進步與發(fā)展,數(shù)字圖像也越來越普及,隨之各種功能強大的圖像編輯軟件也應(yīng)運而生,諸如Adobe Photoshop、PortraitPro Studio Max、美圖秀秀、GIMP和Snapseed等,給人們提供了很多便利,照片持有者對一些人臉數(shù)字圖像進行編輯和修改也就變得輕而易舉。經(jīng)過編輯和修改后的數(shù)字圖像可以變得賞心悅目,描繪出的完美的身材和無瑕疵皮膚的人物圖像也給人帶來視覺上的享受體驗。然而,如果數(shù)字圖像被不懷好意的人篡改后,這個過程則會涉及到欺騙和偽造,也將會對個人隱私、社會穩(wěn)定和國家政治、經(jīng)濟等各方面帶來嚴(yán)重的負(fù)面影響。因而,隨著惡意對人臉圖像篡改事件的頻繁發(fā)生,對人臉面部圖像修飾檢測技術(shù)的研究也顯得尤為重要,基于此問題,再結(jié)合深度學(xué)習(xí)模型本身的諸多優(yōu)勢以及其所占據(jù)的核心地位,本文提出了基于深度學(xué)習(xí)的人臉面部圖像修飾檢測的方法,主要研究成果如下:（1）通過對深度學(xué)習(xí)方法中受限玻爾茲曼機（Restricted Boltzmann Machine,RBM）模型結(jié)構(gòu)、訓(xùn)練算法和參數(shù)設(shè)置等理論知識方面的研究,然后結(jié)合人臉面部圖像潤飾篡改的問題給出具體的算法實現(xiàn),進而實現(xiàn)了對人臉... 

【文章頁數(shù)】：66 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景及意義
    1.2 研究現(xiàn)狀
        1.2.1 國外研究現(xiàn)狀
        1.2.2 國內(nèi)研究現(xiàn)狀
    1.3 本文研究內(nèi)容
    1.4 本文組織結(jié)構(gòu)
第2章 深度學(xué)習(xí)關(guān)鍵技術(shù)
    2.1 受限玻爾茲曼機
        2.1.1 RBM基本模型
        2.1.2 RBM訓(xùn)練算法
        2.1.3 RBM的用途
        2.1.4 RBM的參數(shù)設(shè)置
    2.2 卷積神經(jīng)網(wǎng)絡(luò)
        2.2.1 卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)
        2.2.2 卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法
        2.2.3 卷積神經(jīng)網(wǎng)絡(luò)的基本函數(shù)
    2.3 深度信念網(wǎng)絡(luò)
        2.3.1 DBN模型
        2.3.2 DBN訓(xùn)練過程
    2.4 棧式自編碼神經(jīng)網(wǎng)絡(luò)
        2.4.1 棧式自編碼神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)
        2.4.2 棧式自編碼神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程
    2.5 本章小結(jié)
第3章 基于RBM的面部圖像修飾檢測算法
    3.1 概述
    3.2 基于RBM的人臉面部修飾檢測算法實現(xiàn)
        3.2.1 圖像預(yù)處理
        3.2.2 RBM結(jié)合KNN分類器的模型訓(xùn)練
    3.3 實驗結(jié)果及分析
        3.3.1 實驗說明
        3.3.2 實驗參數(shù)設(shè)置
        3.3.3 實驗結(jié)果分析
    3.4 本章小結(jié)
第4章 基于卷積神經(jīng)網(wǎng)絡(luò)的面部修飾檢測算法
    4.1 概述
    4.2 基于CNN的人臉面部修飾檢測算法實現(xiàn)
        4.2.1 Wang-Net1 卷積神經(jīng)網(wǎng)絡(luò)模型構(gòu)造
        4.2.2 Wang-Net2 卷積神經(jīng)網(wǎng)絡(luò)模型構(gòu)造
    4.3 實驗設(shè)置
        4.3.1 實驗平臺搭建
        4.3.2 實驗參數(shù)設(shè)置
        4.3.3 圖像集的構(gòu)造
    4.4 實驗結(jié)果及分析
        4.4.1 三種網(wǎng)絡(luò)模型的精度對比
        4.4.2 單張人臉圖像檢測
    4.5 本章小結(jié)
結(jié)論
參考文獻
附錄A 攻讀學(xué)位期間所發(fā)表的學(xué)術(shù)論文目錄
附錄B 攻讀學(xué)位期間參與的主要項目
致謝


【參考文獻】：
期刊論文
[1]自然語言處理中的深度學(xué)習(xí):方法及應(yīng)用[J]. 林奕歐,雷航,李曉瑜,吳佳.  電子科技大學(xué)學(xué)報. 2017(06)
[2]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 周飛燕,金林鵬,董軍.  計算機學(xué)報. 2017(06)
[3]基于CNN的監(jiān)控視頻事件檢測[J]. 王夢來,李想,陳奇,李瀾博,趙衍運.  自動化學(xué)報. 2016(06)
[4]基于卷積神經(jīng)網(wǎng)絡(luò)的魯棒性基音檢測方法[J]. 張暉,蘇紅,張學(xué)良,高光來.  自動化學(xué)報. 2016(06)
[5]一種基于CLMF的深度卷積神經(jīng)網(wǎng)絡(luò)模型[J]. 隨婷婷,王曉峰.  自動化學(xué)報. 2016(06)
[6]基于受限玻爾茲曼機的頻譜建模與單元挑選語音合成方法[J]. 宋陽,凌震華,戴禮榮.  模式識別與人工智能. 2015(08)
[7]深度學(xué)習(xí)研究綜述[J]. 孫志軍,薛磊,許陽明,王正.  計算機應(yīng)用研究. 2012(08)
[8]中值濾波與均值濾波的應(yīng)用研究[J]. 楊秋霞.  內(nèi)江科技. 2010(11)

碩士論文
[1]深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)在語音識別中的應(yīng)用研究[D]. 陳碩.華南理工大學(xué) 2013



本文編號：3728848