基于深度学习的人脸识别技术在会议系统中的应用
发布时间：2021-02-02 12:34
近年来,建立和健全会议系统制度是当下大部分企业和相关单位所关注的,因为一套完整的、行之有效的会议系统不仅有利于企业管理者更好的去管理企业的职工,而且对于职工个人来说,一套完善的会议系统也能够对他们自身起到约束作用,从而使企业和相关用人单位得到良好的发展。为了使管理人员摆脱繁重的工作任务,让会议系统更具自动化和人性化,本文将基于深度学习的人脸识别技术应用于会议系统中。在对会议中的人员进行识别过程中,诸如人体在室内环境姿势、表情以及遮挡等不同条件的制约,将会造成视频流中人脸图像模糊,识别困难,降低了人脸识别算法的准确性。为了能够有效解决上述问题,本文在基本的人脸识别流程中引入了人脸图像质量评估模型,并通过对预训练的GoogLeNet网络进行微调的方式对模型进行改进。利用GoogLeNet神经网络提取的特征和该特征对应的MOS分数训练SVM分类器,最终得到人脸图像质量评估模型。该模型可以对检测到的人脸图像进行过滤和选择,从而提高了所识别图像的准确性。并且,对于传统目标检测方法对图像的运动模糊、遮挡以及形变等表现出的识别准确率不高的问题,本文将YOLO目标检测算法应用于人脸检测部分实现人脸检测...
【文章来源】：烟台大学山东省
【文章页数】：67 页
【学位级别】：硕士
【部分图文】：
CNN网络基本结构
烟台大学硕士学位论文92.2.1卷积层卷积层是卷积神经网络的基本组成部分，同时也是最重要的组成部分。卷积层则由一组大小相同的卷积核组成，具有权值共享以及局部感知两大特点。卷积层中的卷积运算是卷积神经网络的提取特征的一种重要方式。卷积运算主要是通过多个卷积核来实现的。图2.2卷积计算步骤如图2.2所示，特征图的尺寸为6*6，特征图上的每个方格中的数字表示特征图像素的灰度值，范围是0到255，卷积核的尺寸为3*3，它们中间的“*”号代表卷积运算符号，设置卷积步长stride=1，经过与3*3的卷积核卷积运算之后，可以得到最终4*4大小的特征层。卷积层可以通过设计多通道卷积的方式进行卷积运算，也就是使用多个卷积核。卷积核不同的大小尺寸能获得尺度不一的特征信息，通常，卷积核的大小取值为1*1、3*3、5*5或7*7。接下来简单介绍下局部感知和权值共享。（1）局部感知在人们的视觉系统里，人眼对于外部世界的感知分为两步，首先感知局部，进而感知全局。同样的，在图像上也是如此，局部像素的相关性会更高，而疏远距离的像素相关性会非常低[23]。因此，神经元只需要获取到局部的像素，最终将所有的局部感知信息融合到一起就能够得到全局信息。如图2.4所示，CNN的每个卷积核都只会和输入图的部分区域相连接，卷积核的大小决定了卷积核的参数量，通过这
2理论技术和相关概念10种连接方式来减少网络权重的参数量，降低了网络复杂度并且可以让卷积神经网络具备局部感知能力的特性。（2）权值共享通过权值共享方式可以有效减少网络的权重参数，因此，可以将其视作特征提取方式[24]，例如，图像中某两个不相连的区域A和B中存在相同的特征表达，那么卷积核在A中学习的权重便可以用在B区域。因此，对于图像上的任意位置，卷积核能够共享相同的权重参数，通过这种方式实现了权值共享。图2.3全连接模式示意图图2.4局部连接模式示意图2.2.2池化层池化层是在一些旧有的CNN网络中喜欢设计的一层处理层[25]。池化层的作用实际上对FeatureMap所做的数据处理又进行了一次池化处理。常见的池化层处理有MaxPooling和MeaningPooling两种方式，从名称上来看，一个是做了最大化处理，一个是使用了平均化处理。
【参考文献】：
期刊论文
[1]一种多算法融合的人脸识别方法研究[J]. 姚立平,潘中良. 光电子·激光. 2019(09)
[2]深度学习在图像识别中的应用研究综述[J]. 郑远攀,李广阳,李晔. 计算机工程与应用. 2019(12)
[3]基于多任务学习的深层人脸识别算法[J]. 杨恢先,陈凡,甘伟发. 激光与光电子学进展. 2019(18)
[4]基于难分样本挖掘的快速区域卷积神经网络目标检测研究[J]. 张烨,许艇,冯定忠,蒋美仙,吴光华. 电子与信息学报. 2019(06)
[5]基于小波去噪和线性判别分析的人脸识别方法[J]. 栗科峰,卢金燕,黄明明,黄全振. 科技通报. 2018(07)
[6]基于人眼视觉特性的深度学习全参考图像质量评价方法[J]. 姚旺,刘云鹏,朱昌波. 红外与激光工程. 2018(07)
[7]基于捷径的卷积神经网络在人脸识别中的应用研究[J]. 王飞,张莹,张东波,邵豪,成超鹏. 电子测量与仪器学报. 2018(04)
[8]融合YCbCr肤色模型与改进的Adaboost算法的人脸检测[J]. 崔鹏,燕天天. 哈尔滨理工大学学报. 2018(02)
[9]基于深度卷积神经网络的人脸识别技术综述[J]. 景晨凯,宋涛,庄雷,刘刚,王乐,刘凯伦. 计算机应用与软件. 2018(01)
[10]基于SLAM算法和深度神经网络的语义地图构建研究[J]. 白云汉. 计算机应用与软件. 2018(01)
硕士论文
[1]结合双目视觉特性的无参考立体图像质量评价算法[D]. 刘天.武汉科技大学 2019
[2]基于人脸识别的课堂考勤系统的设计与实现[D]. 张其帆.重庆师范大学 2019
[3]基于CNN和特征点分块的人脸检测与识别[D]. 许书平.西安电子科技大学 2019
[4]基于图像信息熵的无参考图像质量评估算法的研究[D]. 郑加苏.北京交通大学 2015
本文编号：3014704
【文章来源】：烟台大学山东省
【文章页数】：67 页
【学位级别】：硕士
【部分图文】：
CNN网络基本结构
烟台大学硕士学位论文92.2.1卷积层卷积层是卷积神经网络的基本组成部分，同时也是最重要的组成部分。卷积层则由一组大小相同的卷积核组成，具有权值共享以及局部感知两大特点。卷积层中的卷积运算是卷积神经网络的提取特征的一种重要方式。卷积运算主要是通过多个卷积核来实现的。图2.2卷积计算步骤如图2.2所示，特征图的尺寸为6*6，特征图上的每个方格中的数字表示特征图像素的灰度值，范围是0到255，卷积核的尺寸为3*3，它们中间的“*”号代表卷积运算符号，设置卷积步长stride=1，经过与3*3的卷积核卷积运算之后，可以得到最终4*4大小的特征层。卷积层可以通过设计多通道卷积的方式进行卷积运算，也就是使用多个卷积核。卷积核不同的大小尺寸能获得尺度不一的特征信息，通常，卷积核的大小取值为1*1、3*3、5*5或7*7。接下来简单介绍下局部感知和权值共享。（1）局部感知在人们的视觉系统里，人眼对于外部世界的感知分为两步，首先感知局部，进而感知全局。同样的，在图像上也是如此，局部像素的相关性会更高，而疏远距离的像素相关性会非常低[23]。因此，神经元只需要获取到局部的像素，最终将所有的局部感知信息融合到一起就能够得到全局信息。如图2.4所示，CNN的每个卷积核都只会和输入图的部分区域相连接，卷积核的大小决定了卷积核的参数量，通过这
2理论技术和相关概念10种连接方式来减少网络权重的参数量，降低了网络复杂度并且可以让卷积神经网络具备局部感知能力的特性。（2）权值共享通过权值共享方式可以有效减少网络的权重参数，因此，可以将其视作特征提取方式[24]，例如，图像中某两个不相连的区域A和B中存在相同的特征表达，那么卷积核在A中学习的权重便可以用在B区域。因此，对于图像上的任意位置，卷积核能够共享相同的权重参数，通过这种方式实现了权值共享。图2.3全连接模式示意图图2.4局部连接模式示意图2.2.2池化层池化层是在一些旧有的CNN网络中喜欢设计的一层处理层[25]。池化层的作用实际上对FeatureMap所做的数据处理又进行了一次池化处理。常见的池化层处理有MaxPooling和MeaningPooling两种方式，从名称上来看，一个是做了最大化处理，一个是使用了平均化处理。
【参考文献】：
期刊论文
[1]一种多算法融合的人脸识别方法研究[J]. 姚立平,潘中良. 光电子·激光. 2019(09)
[2]深度学习在图像识别中的应用研究综述[J]. 郑远攀,李广阳,李晔. 计算机工程与应用. 2019(12)
[3]基于多任务学习的深层人脸识别算法[J]. 杨恢先,陈凡,甘伟发. 激光与光电子学进展. 2019(18)
[4]基于难分样本挖掘的快速区域卷积神经网络目标检测研究[J]. 张烨,许艇,冯定忠,蒋美仙,吴光华. 电子与信息学报. 2019(06)
[5]基于小波去噪和线性判别分析的人脸识别方法[J]. 栗科峰,卢金燕,黄明明,黄全振. 科技通报. 2018(07)
[6]基于人眼视觉特性的深度学习全参考图像质量评价方法[J]. 姚旺,刘云鹏,朱昌波. 红外与激光工程. 2018(07)
[7]基于捷径的卷积神经网络在人脸识别中的应用研究[J]. 王飞,张莹,张东波,邵豪,成超鹏. 电子测量与仪器学报. 2018(04)
[8]融合YCbCr肤色模型与改进的Adaboost算法的人脸检测[J]. 崔鹏,燕天天. 哈尔滨理工大学学报. 2018(02)
[9]基于深度卷积神经网络的人脸识别技术综述[J]. 景晨凯,宋涛,庄雷,刘刚,王乐,刘凯伦. 计算机应用与软件. 2018(01)
[10]基于SLAM算法和深度神经网络的语义地图构建研究[J]. 白云汉. 计算机应用与软件. 2018(01)
硕士论文
[1]结合双目视觉特性的无参考立体图像质量评价算法[D]. 刘天.武汉科技大学 2019
[2]基于人脸识别的课堂考勤系统的设计与实现[D]. 张其帆.重庆师范大学 2019
[3]基于CNN和特征点分块的人脸检测与识别[D]. 许书平.西安电子科技大学 2019
[4]基于图像信息熵的无参考图像质量评估算法的研究[D]. 郑加苏.北京交通大学 2015
本文编号：3014704
本文链接：https://www.wllwen.com/jingjilunwen/xmjj/3014704.html
