得益于獨特的物理屬性和非接觸、非侵占性,人臉識別技術已經(jīng)成為了最重要的身份識別技術之一,在眾多領域都得到了廣泛的應用。在人臉識別算法中,如何提取高質量的人臉特征是決定算法性能的關鍵所在。在深度學習技術興起之前,主流的人臉識別算法主要依靠專家精心設計的手工特征進行特征提取。手工特征一般針對某些特定場景或需求設計,依賴于這些領域的先驗知識,開發(fā)成本高昂且應用場景受限。深度學習技術是機器學習領域的熱門領域,它旨在通過多層級聯(lián)的復雜非線性結構直接從樣本中學習潛在的模式和表征,從而打破手工特征的限制并實現(xiàn)自動特征提取。近年來,作為深度學習技術的代表之一,卷積神經(jīng)網(wǎng)絡（Convolution Neural Network,CNN）已經(jīng)成為人臉識別領域的研究熱點。隨著卷積神經(jīng)網(wǎng)絡模型的深度和性能不斷增加,其訓練過程中的計算量也在不斷增大,以至于大部分高性能模型的訓練都依賴于昂貴的專用設備。所以,如何在保持模型性能的情況下實現(xiàn)模型的輕量化和小型化是基于深度學習的人臉識別算法進一步發(fā)展和應用的關鍵。本文以基于深度學習的人臉識別算法為主要研究對象,認真研究它們的算法思想和缺點,分析其缺陷并提出改進算法,從... 

【文章頁數(shù)】：62 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 課題研究背景及意義
    1.2 人臉識別的發(fā)展歷程
    1.3 人臉識別算法的研究現(xiàn)狀分析
        1.3.1 網(wǎng)絡結構的改進
        1.3.2 損失函數(shù)的改進
        1.3.3 網(wǎng)絡輕量化的改進
    1.4 本文結構安排
第二章 深度學習基礎及相關算法
    2.1 深度學習算法基礎及常見結構
    2.2 本文相關算法介紹
        2.2.1 基于一范數(shù)的主成分分析(L1-PCA)
        2.2.2 基于一范數(shù)的二維主成分分析(L1-2DPCA)
        2.2.3 增量主成分分析(CCIPCA)
        2.2.4 主成分分析網(wǎng)絡(PCANet)
    2.3 本文使用到的數(shù)據(jù)集介紹
        2.3.1 EYB人臉數(shù)據(jù)集
        2.3.2 AR人臉數(shù)據(jù)集
        2.3.3 FERET人臉數(shù)據(jù)集
        2.3.4 LFW人臉數(shù)據(jù)集
        2.3.5 CIFAR-10數(shù)據(jù)集
        2.3.6 MNIST手寫數(shù)字數(shù)據(jù)集
    2.4 本章小結
第三章 L1-2D~2PCANet:一種輕量級深度學習人臉識別網(wǎng)絡
    3.1 引言
    3.2 基于一范數(shù)的主成分分析網(wǎng)絡
        3.2.1 L1-PCANet的訓練過程
        3.2.2 L1-PCANet的推理過程
    3.3 基于一范數(shù)的雙向二維主成分分析網(wǎng)絡
        3.3.1 L1-2D~2PCANet的訓練過程
        3.3.2 L1-2D~2PCANet的推理過程
    3.4 實驗分析和討論
        3.4.1 Extended Yale B
        3.4.2 AR
        3.4.3 FERET
        3.4.4 Yale
        3.4.5 LFW-A
        3.4.6 實驗結果分析及討論
    3.5 本章小結
第四章 一種基于奇異向量典型相關分析的卷積神經(jīng)網(wǎng)絡模型性能評估新方法
    4.1 引言
    4.2 奇異向量典型相關分析
    4.3 基于奇異向量典型相關分析的卷積神經(jīng)網(wǎng)絡模型性能評估
    4.4 實驗分析和討論
        4.4.1 CIFAR-10
        4.4.2 MNIST
    4.5 本章小結
第五章 IPCANet:一種增量的深度學習人臉識別算法
    5.1 引言
    5.2 雙向二維增量主成分分析算法(2D~2IPCA)
    5.3 雙向二維增量主成分分析網(wǎng)絡
        5.3.1 IPCANet的訓練過程
        5.3.2 IPCANet的推理過程
    5.4 實驗分析和討論
        5.4.1 EYB
        5.4.2 FERET
        5.4.3 AR
    5.5 本章小結
主要結論與展望
    主要結論
    展望
致謝
參考文獻
附錄:作者在攻讀碩士學位期間發(fā)表的論文


【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]卷積神經(jīng)網(wǎng)絡研究綜述[J]. 李彥冬,郝宗波,雷航.  計算機應用. 2016(09)
[3]圖像理解中的卷積神經(jīng)網(wǎng)絡[J]. 常亮,鄧小明,周明全,武仲科,袁野,楊碩,王宏安.  自動化學報. 2016(09)
[4]基于時序特性的自適應增量主成分分析的視覺跟蹤[J]. 蔡自興,彭夢,余伶俐.  電子與信息學報. 2015(11)
[5]基于增量核主成分分析的數(shù)據(jù)流在線分類框架[J]. 吳楓,仲妍,吳泉源.  自動化學報. 2010(04)
[6]人臉識別技術綜述[J]. 張翠平,蘇光大.  中國圖象圖形學報. 2000(11)



本文編號：3655867