發(fā)布時(shí)間：2021-10-22 06:29

　　深度學(xué)習(xí)在面部活體檢測(cè)領(lǐng)域已取得了較為顯著的成果,然而在處理遮擋、光照、角度不當(dāng)、AI換臉等復(fù)雜條件下的面部圖片時(shí),因難以預(yù)測(cè)數(shù)目較多的面部特征點(diǎn)集合,使得活體檢測(cè)的準(zhǔn)確率較差。為了提升活體檢測(cè)的準(zhǔn)確性,在現(xiàn)有解決方案中主要分為基于回歸模型的方法與深度學(xué)習(xí)的方法�？傮w來(lái)講,深度學(xué)習(xí)的理論基礎(chǔ)源自于基于回歸模型的方法,但是基于深度學(xué)習(xí)的方法做出了巨大的改進(jìn)優(yōu)化——深度學(xué)習(xí)以機(jī)器學(xué)習(xí)的方式代替了人為構(gòu)建向量模型的復(fù)雜過(guò)程,并取得了更好的預(yù)測(cè)效果。然而深度學(xué)習(xí)在實(shí)際應(yīng)用中,因受到各種干擾因素的影響,會(huì)出現(xiàn)活體檢測(cè)準(zhǔn)確率較差的問(wèn)題。因此,本文對(duì)這些基于回歸模型的方法與基于深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)模型展開(kāi)研究,針對(duì)幾種基于深度學(xué)習(xí)的網(wǎng)絡(luò)模型做出改進(jìn),設(shè)計(jì)出了一種基于VGG-Res Net雙層神經(jīng)網(wǎng)絡(luò)模型,用以提升活體檢測(cè)的準(zhǔn)確率。論文主要貢獻(xiàn)如下:（1）為了提高面部特征點(diǎn)定位在有干擾因素影響下的準(zhǔn)確率,本文在第一層設(shè)計(jì)了一種基于C-Canny算法與改進(jìn)VGG相結(jié)合的網(wǎng)絡(luò)模型。這一層網(wǎng)絡(luò)用以實(shí)現(xiàn)人臉對(duì)齊與面部特征點(diǎn)定位功能,具體流程如下:首先,在人臉對(duì)齊階段,通過(guò)C-Canny算法進(jìn)行面部區(qū)域重定位,得... 

【文章來(lái)源】：河南大學(xué)河南省

【文章頁(yè)數(shù)】：64 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

活體檢測(cè)網(wǎng)絡(luò)架構(gòu)圖

基于深度學(xué)習(xí)的活體檢測(cè)網(wǎng)絡(luò)研究與實(shí)現(xiàn)12絡(luò)模型的原因是，該模型與AlexNet模型相比，使用的是連續(xù)的3x3卷積核。代替了AlexNet中的較大卷積核（11x11，7x7，5x5），這就使得對(duì)于給定的感受野中（與輸出有關(guān)的輸入圖片的局部大小），采用堆積的小卷積核是優(yōu)于采用大的卷積核，因?yàn)槎鄬臃蔷�性層可以增加網(wǎng)絡(luò)深度來(lái)保證學(xué)習(xí)更復(fù)雜的模式，而且代價(jià)還比較小（參數(shù)更少）。但是，該神經(jīng)網(wǎng)絡(luò)模型也存在一定缺陷。當(dāng)處理圖片噪聲區(qū)域較大的圖像時(shí)，不能較好的定位面部區(qū)域，使得面部特征點(diǎn)定位結(jié)果較差。因此，本章節(jié)還提出了一種C-Canny面部區(qū)域重定位算法。該算法能夠?qū)D像中的面部邊界信息進(jìn)行較好的預(yù)測(cè)，通過(guò)定位面部邊界信息，再加之相應(yīng)的邊緣放縮技巧，可以有效的進(jìn)行人臉對(duì)齊，進(jìn)而提取出更為精確的面部區(qū)域，提升特征點(diǎn)定位的準(zhǔn)確率。第一層局部感受野網(wǎng)絡(luò)模型如圖3-1所示：圖3-1局部感受野網(wǎng)絡(luò)模型3.3神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)本文設(shè)計(jì)的神經(jīng)網(wǎng)絡(luò)參考的是VGG-16網(wǎng)絡(luò)結(jié)構(gòu)，因?yàn)楸疚牡谝粚泳W(wǎng)絡(luò)不牽扯到概率計(jì)算問(wèn)題，因此不需要傳統(tǒng)VGG-16網(wǎng)絡(luò)結(jié)構(gòu)中的softmax層，并且將輸入層的參數(shù)更改為了（128，128，3），進(jìn)一步加速了特征點(diǎn)定位的速度。本文設(shè)計(jì)的網(wǎng)絡(luò)還包含7個(gè)卷積層4個(gè)池化層以及1個(gè)全連接層，在一次或兩次卷積操作以后緊跟一個(gè)池化層進(jìn)行特征提齲具體結(jié)構(gòu)參數(shù)如表3-1所示：

第3章基于局部感受野的面部特征點(diǎn)定位設(shè)計(jì)13表3-1CNN結(jié)構(gòu)參數(shù)層類(lèi)型參數(shù)層類(lèi)型參數(shù)1輸入層（128，128，3）2卷積層（3，3，32）3池化層（2，2，2）4卷積層（3，3，32）5池化層（2，2，2）6卷積層（2，2，2）7卷積層（2，2，2）8池化層（2，2，2）9卷積層（2，2，2）10卷積層（2，2，2）11池化層（2，2，1）12卷積層（3，3，256）13全連接102414輸出層136圖3-2VGG-16網(wǎng)絡(luò)結(jié)構(gòu)圖神經(jīng)網(wǎng)絡(luò)輸入層的參數(shù)是（128,128,3）的彩色圖像以及相對(duì)應(yīng)的（68，2）面部特征點(diǎn)坐標(biāo)。為方便網(wǎng)絡(luò)分批次迭代訓(xùn)練，需對(duì)特征點(diǎn)集合進(jìn)行一元展開(kāi)即維度變?yōu)榱耍?36，n）的一維向量格式，其中n為數(shù)據(jù)集的樣本總數(shù)。圖3-2中網(wǎng)絡(luò)層數(shù)的確定是參考Cascade神經(jīng)網(wǎng)絡(luò)模型，該模型采用的是雙層網(wǎng)絡(luò)結(jié)構(gòu)，目標(biāo)是進(jìn)行人臉相似度判斷。而本文研究的是面部特征點(diǎn)定位，因此在原有網(wǎng)絡(luò)模型的基礎(chǔ)上進(jìn)行改進(jìn)，設(shè)計(jì)出一種基于單個(gè)VGG-16的神經(jīng)網(wǎng)絡(luò)模型。其卷積輸出的計(jì)算公式見(jiàn)3-1：N(WF2P)S(3-1)其中，N為輸出的結(jié)果，W為每一層圖像的輸入維度，F(xiàn)為卷積層參數(shù)，S為步長(zhǎng)，P為擴(kuò)充的邊緣像素值。進(jìn)行卷積運(yùn)算的意義主要有兩方面：一方面是進(jìn)行局部感知野計(jì)算，局部感受野這個(gè)概念認(rèn)為：人對(duì)外界的認(rèn)知是從局部到全局的。因此圖像內(nèi)部的聯(lián)系也是由局部到整體的，并且特征點(diǎn)分布具有區(qū)域性，每個(gè)神經(jīng)元無(wú)需對(duì)全局圖像進(jìn)行感知，只需對(duì)特定局部區(qū)域進(jìn)行特征提取，然后在更高層將這些局部的信息綜合起來(lái)就得到了想要預(yù)測(cè)的面部特征。另一方面，局部感受野有助于權(quán)值共享計(jì)算，在卷積過(guò)


本文編號(hào)：3450557