人臉識(shí)別是一種實(shí)用性高且可靠的生物特征識(shí)別技術(shù),已廣泛應(yīng)用于日常生活中。隨著現(xiàn)如今卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks,CNN)的興起,高精度的人臉識(shí)別模型不斷出現(xiàn),人臉識(shí)別又迎來(lái)了一輪新的發(fā)展高峰。然而,基于卷積神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別技術(shù)面臨一個(gè)重要制約因素在于網(wǎng)絡(luò)生成的模型較大、計(jì)算復(fù)雜。雖然該種人臉識(shí)別技術(shù)可以在高配置的電腦中實(shí)時(shí)運(yùn)行,但是難以在無(wú)圖形處理單元(Graphics Processing Unit,GPU)的嵌入式平臺(tái)中應(yīng)用。針對(duì)上述問(wèn)題,本文從人臉檢測(cè)和人臉識(shí)別兩方面進(jìn)行研究。在人臉檢測(cè)方面,設(shè)計(jì)了基于Lw-YOLO(Lightweight-YOLO)的人臉檢測(cè)算法。該算法在基礎(chǔ)CNN中使用深度可分離卷積替代傳統(tǒng)卷積的方法,有效地減少了網(wǎng)絡(luò)參數(shù)量。同時(shí)采用多個(gè)1*1的點(diǎn)卷積提升通道數(shù),獲得更多的特征。通過(guò)改進(jìn)多尺度預(yù)測(cè)的方法,將三個(gè)尺度的預(yù)測(cè)減少到兩個(gè)尺度,在減少參數(shù)量的情況下保證了網(wǎng)絡(luò)的識(shí)別精度。實(shí)驗(yàn)結(jié)果表明,訓(xùn)練出的Lw-YOLO網(wǎng)絡(luò)模型大小只有3.1M,在FDDB數(shù)據(jù)集上取得77.13%的平均精度,檢測(cè)速度比較同類型網(wǎng)絡(luò)更快。在人...

【文章頁(yè)數(shù)】：72 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 研究的背景和意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 人臉識(shí)別研究現(xiàn)狀
        1.2.2 卷積神經(jīng)網(wǎng)絡(luò)研究現(xiàn)狀
    1.3 本文的主要研究?jī)?nèi)容及結(jié)構(gòu)安排
        1.3.1 本文主要研究?jī)?nèi)容
        1.3.2 本文結(jié)構(gòu)安排
第2章 卷積神經(jīng)網(wǎng)絡(luò)基本理論
    2.1 卷積神經(jīng)網(wǎng)絡(luò)基礎(chǔ)
        2.1.1 卷積層
        2.1.2 BN層
        2.1.3 激活函數(shù)
        2.1.4 池化層
        2.1.5 全連接層
        2.1.6 損失函數(shù)
    2.2 卷積神經(jīng)網(wǎng)絡(luò)性能評(píng)估指標(biāo)
        2.2.1 重疊度
        2.2.2 F1值
        2.2.3 平均精確度
        2.2.4 AUC
        2.2.5 浮點(diǎn)運(yùn)算數(shù)
    2.3 本章小結(jié)
第3章 基于Lw-YOLO的 CNN人臉檢測(cè)算法
    3.1 YOLOv3-tiny網(wǎng)絡(luò)
        3.1.1 YOLOv3-tiny人臉檢測(cè)原理
        3.1.2 邊界框和損失函數(shù)
        3.1.3 YOLOv3-tiny網(wǎng)絡(luò)架構(gòu)
        3.1.4 YOLOv3-tiny的局限性
    3.2 YOLO-LITE網(wǎng)絡(luò)
        3.2.1 YOLO-LITE人臉檢測(cè)原理
        3.2.2 YOLO-LITE網(wǎng)絡(luò)架構(gòu)
        3.2.3 YOLO-LITE的局限性
    3.3 Lw-YOLO輕量化網(wǎng)絡(luò)
        3.3.1 Lw-YOLO人臉檢測(cè)網(wǎng)絡(luò)架構(gòu)
        3.3.2 深度可分離卷積
        3.3.3 改進(jìn)的多尺度預(yù)測(cè)
    3.4 仿真實(shí)驗(yàn)與結(jié)果分析
        3.4.1 人臉數(shù)據(jù)集
        3.4.2 Lw-YOLO網(wǎng)絡(luò)訓(xùn)練結(jié)果分析
        3.4.3 Lw-YOLO網(wǎng)絡(luò)測(cè)試結(jié)果分析
    3.5 本章小結(jié)
第4章 基于S-GoogLeNetv3的CNN人臉識(shí)別算法
    4.1 GoogLeNet的網(wǎng)絡(luò)
        4.1.1 GoogLeNet網(wǎng)絡(luò)原理
        4.1.2 GoogLeNet網(wǎng)絡(luò)架構(gòu)
        4.1.3 GoogLeNet網(wǎng)絡(luò)局限性
    4.2 S-GoogLeNetv3 網(wǎng)絡(luò)
        4.2.1 S-GoogLeNetv3 網(wǎng)絡(luò)架構(gòu)
        4.2.2 感受野和卷積核
        4.2.3 ArcFace損失函數(shù)
    4.3 仿真實(shí)驗(yàn)與結(jié)果分析
        4.3.1 人臉數(shù)據(jù)集
        4.3.2 損失函數(shù)性能測(cè)試
        4.3.3 S-GoogLeNetv3 人臉識(shí)別測(cè)試結(jié)果分析
    4.4 本章小結(jié)
第5章 基于嵌入式的CNN人臉識(shí)別應(yīng)用
    5.1 嵌入式硬件平臺(tái)
    5.2 系統(tǒng)軟件方案設(shè)計(jì)
        5.2.1 軟件環(huán)境搭建
        5.2.2 軟件流程設(shè)計(jì)
        5.2.3 軟件界面設(shè)計(jì)
        5.2.4 軟件實(shí)現(xiàn)
    5.3 嵌入式人臉識(shí)別系統(tǒng)測(cè)試
        5.3.1 人臉數(shù)據(jù)集
        5.3.2 人臉識(shí)別實(shí)驗(yàn)結(jié)果分析
    5.4 本章小結(jié)
第6章 總結(jié)與展望
    6.1 工作總結(jié)
    6.2 工作展望
參考文獻(xiàn)
攻讀碩士學(xué)位期間取得的成果
致謝



本文編號(hào)：4013104