發(fā)布時(shí)間：2020-03-30 10:42

【摘要】：人臉識(shí)別技術(shù)是計(jì)算機(jī)視覺(jué)領(lǐng)域中的一個(gè)熱門(mén)研究課題,該技術(shù)已經(jīng)被應(yīng)用到刑事偵查、金融服務(wù)、考勤系統(tǒng)等領(lǐng)域,發(fā)揮著十分重要的作用。目前人臉識(shí)別技術(shù)在抗干擾,識(shí)別速度等方面依然面臨著挑戰(zhàn),卷積神經(jīng)網(wǎng)絡(luò)(CNN)作為深度學(xué)習(xí)的代表方法之一,其在圖像處理領(lǐng)域已體現(xiàn)出巨大的優(yōu)勢(shì)。本文對(duì)采用卷積神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別方法進(jìn)行了研究。首先論文分析了采用級(jí)聯(lián)的卷積神經(jīng)網(wǎng)絡(luò)(MTCNN)進(jìn)行人臉檢測(cè)的方法,經(jīng)過(guò)對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,得到了能夠?qū)崿F(xiàn)人臉檢測(cè)的級(jí)聯(lián)網(wǎng)絡(luò),并采用該網(wǎng)絡(luò)提取出人臉識(shí)別時(shí)所用的人臉圖像。為了降低人臉識(shí)別網(wǎng)絡(luò)的運(yùn)算量,改善圖像的質(zhì)量,對(duì)提取出的人臉樣本分別進(jìn)行了圖像灰度化處理、圖像直方圖均衡處理、圖像歸一化處理。為了研究影響卷積神經(jīng)網(wǎng)絡(luò)性能的因素,本文利用TensorFlow深度學(xué)習(xí)框架搭建了基于LeNet-5模型的人臉識(shí)別網(wǎng)絡(luò)模型,采用CASIA-FaceV5人臉數(shù)據(jù)庫(kù)進(jìn)行網(wǎng)絡(luò)的訓(xùn)練與學(xué)習(xí),對(duì)網(wǎng)絡(luò)初始化方法、卷積核大小、激活函數(shù)進(jìn)行了研究,通過(guò)實(shí)驗(yàn)得到采用he初始化方式結(jié)合elu激活函數(shù),同時(shí)采用7×7大小的卷積核能提高網(wǎng)絡(luò)的收斂速度和識(shí)別率,將實(shí)驗(yàn)得到的優(yōu)化參數(shù)應(yīng)用到網(wǎng)絡(luò)中,優(yōu)化后的網(wǎng)絡(luò)在CASIA-FaceV5人臉數(shù)據(jù)庫(kù)上的識(shí)別率能夠達(dá)到99.5%。最后論文在卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上研究了卷積神經(jīng)網(wǎng)絡(luò)聯(lián)合長(zhǎng)短期神經(jīng)網(wǎng)絡(luò)(CNN-LSTM)的人臉識(shí)別方法。分別采用CASIA-FaceV5和AR兩個(gè)人臉數(shù)據(jù)集進(jìn)行網(wǎng)絡(luò)的訓(xùn)練和測(cè)試,結(jié)果表明,采用基于CNN-LSTM的人臉識(shí)別方法與采用CNN的人臉識(shí)別方法相比,前者能夠提高網(wǎng)絡(luò)的收斂速度,減少網(wǎng)絡(luò)的訓(xùn)練時(shí)間,同時(shí)在AR人臉數(shù)據(jù)庫(kù)上識(shí)別率高達(dá)99.8%,方法具有可行性。
【圖文】：

圖 2.2 sigmoid 函數(shù)曲線(xiàn)圖上可以看出當(dāng)函數(shù)輸出值接近 0 或 1 時(shí)，函數(shù)梯時(shí)，會(huì)出現(xiàn)梯度彌散，，權(quán)值無(wú)法更新的問(wèn)題。同時(shí)輸出值范圍不以 0 為中心，采用該函數(shù)作為激活，訓(xùn)練效率低。因此在設(shè)計(jì)網(wǎng)絡(luò)時(shí)，較少采用該雙曲正切函數(shù)其表達(dá)式如式（2.18）所示：3 所示：( )( )( )sinhtanhcoshx xx xxe exx e e---= =+tanh( x)x

圖 2.2 sigmoid 函數(shù)曲線(xiàn)圖上可以看出當(dāng)函數(shù)輸出值接近 0 或 1 時(shí)，函數(shù)梯時(shí)，會(huì)出現(xiàn)梯度彌散，權(quán)值無(wú)法更新的問(wèn)題。同時(shí)函輸出值范圍不以 0 為中心，采用該函數(shù)作為激活，訓(xùn)練效率低。因此在設(shè)計(jì)網(wǎng)絡(luò)時(shí)，較少采用該函雙曲正切函數(shù)其表達(dá)式如式（2.18）所示：3 所示：x( )( )( )sinhtanhcoshx xx xxe exx e e---= =+tanh( x)
【學(xué)位授予單位】：西安科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類(lèi)號(hào)】：TP391.41;TP183

【參考文獻(xiàn)】

相關(guān)期刊論文 前6條

1 徐曉艷;;人臉識(shí)別技術(shù)綜述[J];電子測(cè)試;2015年10期

2 張劍;屈丹;李真;;基于詞向量特征的循環(huán)神經(jīng)網(wǎng)絡(luò)語(yǔ)言模型[J];模式識(shí)別與人工智能;2015年04期

3 劉建偉;劉媛;羅雄麟;;深度學(xué)習(xí)研究進(jìn)展[J];計(jì)算機(jī)應(yīng)用研究;2014年07期

4 盧世軍;;生物特征識(shí)別技術(shù)發(fā)展與應(yīng)用綜述[J];計(jì)算機(jī)安全;2013年01期

5 鄭建煒;王萬(wàn)良;姚曉敏;石海燕;;張量局部Fisher判別分析的人臉識(shí)別[J];自動(dòng)化學(xué)報(bào);2012年09期

6 王宗炎，洪振華;BP網(wǎng)學(xué)習(xí)算法的改進(jìn)及其在模式識(shí)別中的應(yīng)用[J];南京航空航天大學(xué)學(xué)報(bào);1994年S1期

相關(guān)博士學(xué)位論文 前3條

1 苗迪;基于特征層與分?jǐn)?shù)層的多模態(tài)生物特征融合[D];中國(guó)科學(xué)技術(shù)大學(xué);2017年

2 李文娟;基于局部特征提取的人臉識(shí)別方法研究[D];天津大學(xué);2017年

3 王德松;基于生物特征信息隱藏與身份認(rèn)證及其應(yīng)用研究[D];電子科技大學(xué);2012年

相關(guān)碩士學(xué)位論文 前10條

1 苑軍科;基于PCA的人臉識(shí)別系統(tǒng)的設(shè)計(jì)與研究[D];河北科技大學(xué);2019年

2 張秀峰;基于Fisher臉的人臉識(shí)別技術(shù)研究[D];安徽理工大學(xué);2018年

3 崔智;基于循環(huán)神經(jīng)網(wǎng)絡(luò)的人臉圖像老化方法研究[D];沈陽(yáng)工業(yè)大學(xué);2018年

4 王震;基于深度學(xué)習(xí)的人臉識(shí)別方法的研究[D];蘭州理工大學(xué);2018年

5 范黎明;基于卷積神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別的研究[D];吉林大學(xué);2018年

6 王政雯;基于深度學(xué)習(xí)的人臉識(shí)別方法研究[D];河南大學(xué);2018年

7 張靜然;局部Fisher準(zhǔn)則以及子空間分析的人臉識(shí)別算法研究[D];江西理工大學(xué);2018年

8 姜亞?wèn)|;卷積神經(jīng)網(wǎng)絡(luò)的研究與應(yīng)用[D];電子科技大學(xué);2018年

9 楊文杰;基于VGGNet深度卷積特征的人臉表情識(shí)別方法研究[D];廣東工業(yè)大學(xué);2018年

10 魏海宏;基于LSTM神經(jīng)網(wǎng)絡(luò)的手寫(xiě)簽名鑒定研究[D];湘潭大學(xué);2018年

本文編號(hào)：2607445