面向车联网的多路视频人脸检测及识别技术的研究

发布时间：2021-11-18 17:31

　　近些年,随着深度学习技术的快速发展,人脸检测与识别技术在诸多重要场景下得到了广泛应用。本文主要面向自动驾驶场景与未来车联网设计,充分考虑了边缘节点的计算资源受限性与实时处理等现实挑战,重点研究了轻量级的实时人脸检测及识别相关算法,并完成嵌入式系统设计与实现。本文研究将有助于提升车联网的智能监控与目标发现能力,具有重要的理论意义和实践应用价值。本文的主要工作如下:本文研究了复杂采集环境下的可靠检测问题。充分考虑了车联网场景下,由于非理想的图像获取视角和复杂的采集环境而导致的人脸检测漏检/误检问题,深入研究了MTCNN（Multi-task Cascaded Convolutional Networks）人脸检测算法,提出了改进的非极大值抑制算法,降低人脸漏检率和误检率。融合了基于上下文信息训练的小脸（Tiny face）检测网络,构成多分支级联神经网络,提高了小脸的检测准确率。经过实验分析,本文中设计的人脸检测算法有效地提高了复杂车联网环境下人脸检测准确率。本文基于人脸深度特征设计了人脸识别算法。为了应对车联网边缘终端的计算资源严重限制的难题,本文优化设计了人脸深度特征提取的轻量级网络模... 

【文章来源】：北京工业大学北京市 211工程院校

【文章页数】：83 页

【学位级别】：硕士

【部分图文】：

深度学习发展史Figure2-1HistoryofDeepLearning

采样层一般称为池化层。像素范围为1* 2s s 的区域采样过程2-4)所示：1 21 21 1* , *0 01 21( )s smn m s i n s ji jy xs s + + x 是二维输入向量，mny 是采样后的输出。池化层可以减小网络的计算网络模型在图像处理过程的稳定性，如公式(2-5)所示为带参数的池化层的表示：'( )mn mny f ay + b( a , b )是网络参数， f 是激活函数。卷积是图像提取边缘特征的过程，集图像特征的过程，共同构成卷积神经网络的识别单元模型，是构建卷络的基础。卷积神经网络中的最早应用是利用 LeNet-5[41]网络模型识别手写字符，如图 2-2 所示，图中1 3 5C , C ,C 是卷积层，2 4S ,S 是池化层，6F 是全连模型的输入是 32*32 像素的手写字符图像。

网络发展中提出了大量优秀的网络模型，这些不但是也有一定的局限性和适用场景。为了能更好高网络模型的整体性能，级联神经网络[42]的结构多个网络子系统。优秀的级联神经网络需要满足该互相独立，互相补充。（2）级联神经网络中网性能的目的。同的神经网络进行级联，可以很大程度上提升网杂程度，如图 2-3 为级联神经网络结构图，从图网络 2 传递两种结果值：（1）神经网络 1 传递训置到神经网络 2 中，神经网络 2 基于神经网络 1出的目标变量更准确。（2）神经网络 1 传递预测 2 基于预测结果值继续学习优化，同时传递初始证信息获取的全面性。

【参考文献】：
期刊论文
[1]车载信息交互系统信息安全[J]. 王文扬,陈正,高夕冉,胡宁,张东伟.  信息技术与信息化. 2018(12)
[2]车联网生态圈的竞争力[J]. 施雪松,韦东,辛克铎,张毅,黄亮,李继存,刘宇,苏雨农.  经营者(汽车商业评论). 2018(06)
[3]适于人脸检测的模板匹配快速算法[J]. 邵平,杨路明,黄海滨,曾耀荣.  计算机应用. 2006(07)



本文编号：3503311