【摘要】：大數(shù)據(jù)蘊含大發(fā)展,結(jié)合不斷提升的高性能計算機更是給機器視覺技術(shù)帶來日新月異的發(fā)展。深度卷積神經(jīng)網(wǎng)絡(luò)也正是借著這股力量才大放異彩,其主要應(yīng)用包括語音識別、圖像處理、自然語言處理等。本文就當前大環(huán)境下研究了卷積神經(jīng)網(wǎng)絡(luò)模型在靜態(tài)環(huán)境下人臉識別領(lǐng)域的應(yīng)用。相對傳統(tǒng)人臉識別方法而言,卷積神經(jīng)網(wǎng)絡(luò)模型不需要人工進行大量而又復(fù)雜的特征提取算法設(shè)計,僅需要設(shè)計一個可行的網(wǎng)絡(luò)模型,再將大量的人臉訓(xùn)練數(shù)據(jù)集加載到網(wǎng)絡(luò)模型中,然后進行自動訓(xùn)練,這樣就可以得到很好的識別率。把訓(xùn)練好的模型保存下來,那么這個模型就是一個端到端的人臉特征提取器。該方法雖然操作簡單,但是需要根據(jù)訓(xùn)練數(shù)據(jù)集設(shè)計合理的網(wǎng)絡(luò)結(jié)構(gòu),而且最難的關(guān)鍵點是超參數(shù)的調(diào)整和優(yōu)化算法的設(shè)計。因此本文結(jié)合殘差網(wǎng)絡(luò)和融合網(wǎng)絡(luò)構(gòu)建了兩個與計算資源和數(shù)據(jù)資源相匹配的網(wǎng)絡(luò)模型,并通過反復(fù)調(diào)整超參數(shù)和調(diào)試優(yōu)化器使其在訓(xùn)練集上能夠收斂,最終還取得較好的識別率。本文的主要研究內(nèi)容和創(chuàng)新點如下:1.介紹了卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)理論知識。卷積神經(jīng)網(wǎng)絡(luò)本質(zhì)上是深層次的稀疏的傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò),因此本文先從傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)的模型結(jié)構(gòu)、前向和反向傳播算法進行了詳細的分析;然后過渡到卷積神經(jīng)網(wǎng)絡(luò)的相關(guān)理論,對其重要組成部分如卷積層、激勵層、池化層和全連接層進行了具體的闡述;最后對卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練時的一些注意事項進行了說明。2.對深度學(xué)習(xí)框架TensorFlow的系統(tǒng)架構(gòu)和編程模型作了一些說明,并對人臉數(shù)據(jù)進行預(yù)處理,包括人臉檢測、數(shù)據(jù)增強、圖像標準化和人臉中心損失。3.提出了基于改進的MyVGGNet和MySqueezeNet網(wǎng)絡(luò)的人臉識別。首先分析了模型VGGNet-16和SqueezeNet的網(wǎng)絡(luò)結(jié)構(gòu)及相關(guān)參數(shù),然后本文提出將原VGGNet-16和SqueezeNet的網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)進行優(yōu)化,并在每個卷積層和激勵層之間添加批歸一化層,在VGGNet-16網(wǎng)絡(luò)末尾用1個1×1的卷積層代替三個全連接層,還增加全局平均池化層,得到新的MyVGGNet和MySqueezeNet模型,最終這兩個模型不僅解決原模型對硬件要求高、有限數(shù)據(jù)量產(chǎn)生過擬合等問題,還成功應(yīng)用到人臉識別的任務(wù)中。這樣就遷移了原網(wǎng)絡(luò),在人臉識別任務(wù)中更容易獲得最優(yōu)解,最后在LFW數(shù)據(jù)集上分別獲得94.3%和95.1%的準確率。4.提出了基于二叉樹型融合網(wǎng)絡(luò)BTreeFuseNet_v1和BTreeFuseNet_v2的人臉識別。首先對深度神經(jīng)網(wǎng)絡(luò)的優(yōu)化問題和融合原理作了分析;然后結(jié)合殘差學(xué)習(xí),融入分支并行、融合和級聯(lián)三種結(jié)構(gòu),采用ReLU函數(shù)、BN層、Dropout層、哈維爾方法和截斷高斯函數(shù)初始化方法、Adam優(yōu)化器等技巧,構(gòu)建了兩個層次深度為22和19的網(wǎng)絡(luò)模型BTreeFuseNet_v1和BTreeFuseNet_v2,并詳細說明了這兩個網(wǎng)絡(luò)模型的基本構(gòu)成、整體架構(gòu)和模型參數(shù);最后在FaceScrub數(shù)據(jù)集上連續(xù)訓(xùn)練,同時調(diào)整網(wǎng)絡(luò)參數(shù),獲取較好的模型,再在LFW測試集上進行人臉驗證,并且分別取得94.9%和95.5%的準確率。
[Abstract]:......
【學(xué)位授予單位】：廣西師范大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TP391.41;TP183

【參考文獻】

相關(guān)期刊論文 前4條

1 申文濤;丁曉青;劉長松;梁亦聰;;自助通關(guān)系統(tǒng)中人臉認證的應(yīng)用[J];計算機工程與設(shè)計;2015年10期

2 李子青;;人臉識別結(jié)合視頻監(jiān)控 看公安與金融市場應(yīng)用[J];中國安防;2015年15期

3 蘇光大;;人臉識別在社會公共安全領(lǐng)域的應(yīng)用[J];中國安防;2015年14期

4 劉穎超,張紀元;梯度下降法[J];南京理工大學(xué)學(xué)報(自然科學(xué)版);1993年02期

相關(guān)博士學(xué)位論文 前4條

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

2 湯德俊;人臉識別中圖像特征提取與匹配技術(shù)研究[D];大連海事大學(xué);2013年

3 王先基;基于統(tǒng)計學(xué)習(xí)的自動人臉識別算法研究[D];中國科學(xué)技術(shù)大學(xué);2007年

4 山世光;人臉識別中若干關(guān)鍵問題的研究[D];中國科學(xué)院研究生院（計算技術(shù)研究所）;2004年

相關(guān)碩士學(xué)位論文 前2條

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

2 李艷;基于小波變換和PCA類方法的人臉識別技術(shù)研究[D];西安電子科技大學(xué);2014年

，

本文編號：2326737