隨著信息社會的發(fā)展,信息的安全性越來越受到廣泛的關(guān)注。其中,人臉作為不同個體的標(biāo)識,有著自己固有的生物特征,因此被用于身份識別以及安全監(jiān)測等場景。由于不同光照、不同角度、人臉遮擋等因素,人臉檢測與識別的問題遇到了很大的挑戰(zhàn)。本文基于深度學(xué)習(xí)的方法對人臉檢測和人臉識別進行了相關(guān)研究,對比于傳統(tǒng)的目標(biāo)檢測算法,利用基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測算法進行歸類分析,提出了本文研究方法。本文首先針對人臉檢測提出了基于YOLOv3算法的自然場景下多人臉檢測,旨在解決人臉實時性檢測以及圖片中小人臉的問題。模型以Darknet 53為主干網(wǎng)絡(luò),用3種不同尺寸的特征圖進行預(yù)測,對檢測框的中心坐標(biāo)、置信度以及類別的損失函數(shù)進行設(shè)計,最后直接回歸被檢測人臉的信息。運用了批量歸一化處理模型,同時從人臉識別概率、人臉類別、人臉的檢測框三個角度對損失函數(shù)進行了設(shè)計,有效的解決了光照、遮擋等自然條件下圖像背景變化和實時性檢測等問題,同時還解決了圖像中多人臉檢測的問題。本文還提出了基于FaceNet算法的改進模型,首先通過本文中YOLOv3模型對人臉檢測后的檢測框進行提取,然后對人臉圖像進行分割后進行模型訓(xùn)練。本文提出了...

【文章頁數(shù)】：70 頁

【學(xué)位級別】：碩士

【文章目錄】：
中文摘要
ABSTRACT
第一章 緒論
    1.1 研究背景與意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展
        1.2.2 人臉檢測與人臉識別的發(fā)展與現(xiàn)狀
    1.3 研究內(nèi)容和組織結(jié)構(gòu)
        1.3.1 研究內(nèi)容
        1.3.2 組織結(jié)構(gòu)
第二章 關(guān)鍵技術(shù)綜述
    2.1 傳統(tǒng)目標(biāo)檢測方法
        2.1.1 Viola-Jones算法
        2.1.2 HOG+SVM算法
        2.1.3 DPM算法和NMS算法
    2.2 卷積神經(jīng)網(wǎng)絡(luò)
    2.3 深度學(xué)習(xí)目標(biāo)檢測常見算法
        2.3.1 Two-stage系列算法
        2.3.2 One-stage系列算法
    2.4 深度學(xué)習(xí)人臉識別算法
    2.5 本文改進策略的相關(guān)技術(shù)綜述
        2.5.1 L1、L2 范數(shù)以及歐式距離
        2.5.2 殘差塊
        2.5.3 SENet
    2.6 本章總結(jié)
第三章 基于YOLOv3 算法的自然場景下多人臉檢測
    3.1 引言
    3.2 YOLOv3 算法模型結(jié)構(gòu)
        3.2.1 Batch Normalization
        3.2.2 采用多尺度的預(yù)測方法
        3.2.3 損失函數(shù)
    3.3 數(shù)據(jù)集的選擇與分析
    3.4 實驗環(huán)境和訓(xùn)練
    3.5 實驗與結(jié)果分析
        3.5.1 評價指標(biāo)
        3.5.2 實驗結(jié)果分析
    3.6 本章總結(jié)
第四章 基于改進的FaceNet算法的人臉識別設(shè)計
    4.1 引言
    4.2 人臉識別設(shè)計整體流程
    4.3 人臉匹配數(shù)據(jù)集
        4.3.1 人臉匹配數(shù)據(jù)集的介紹和選擇
        4.3.2 人臉數(shù)據(jù)集的處理
    4.4 FaceNet算法模型結(jié)構(gòu)
        4.4.1 Deep Architecture
        4.4.2 FaceNet主干網(wǎng)絡(luò)的改進
    4.5 數(shù)據(jù)增強
    4.6 損失函數(shù)設(shè)計
        4.6.1 本文損失函數(shù)Triplet Loss設(shè)計
        4.6.2 三元組的選擇
    4.7 訓(xùn)練策略
        4.7.1 激活函數(shù)
        4.7.2 學(xué)習(xí)率以及初始化方式
        4.7.3 正則化
        4.7.4 優(yōu)化器算法的選擇
    4.8 實驗環(huán)境與測試
    4.9 實驗結(jié)果分析
        4.9.1 評價指標(biāo)
        4.9.2 實驗結(jié)果分析
    4.10 本章總結(jié)
第五章 總結(jié)與展望
    5.1 總結(jié)
    5.2 未來展望
參考文獻
攻讀學(xué)位期間取得的研究成果
致謝
個人簡況及聯(lián)系方式



本文編號：3785817