车载场景下人脸识别技术研究与应用

发布时间：2022-01-17 14:03

　　随着网约车市场规模的不断扩大,其用户数量逐年增长,网约车已成为了许多居民出行的首选交通方式,与此同时网约车出行的安全问题也成为了人们关注的社会焦点。近年来,自动人脸识别技术由于其自身的技术优势及其广阔的应用前景,开始从科研的“象牙塔”走入人们的日常生活,在公共安全等领域里扮演起至关重要的角色。然而当下较为成熟的自动人脸识别技术大多还只在受控环境下有较高的识别精度,在生活复杂多变的应用场景中,人脸识别的准确度会大幅下降,如受到姿态变化、光照变化、夸张表情或面部遮挡等的因素限制时,均无法得到较好的识别效果。本文旨在研究车载场景中的人脸识别问题,主要针对车内人脸姿态变化及光照变化展开分析研究,贴合场景建立整合了共有2000张训练样本的亚洲人脸数据集。本文采用了方向梯度直方图与梯度提升回归树相结合的方法用于进行人脸检测与特征点定位;再结合FaceNet网络进行特征点间位置关系的特征提取,最后利用线性SVM进行特征匹配,搭建了一个适用于车载场景下的人脸识别模型。首先利用方向梯度直方图将输入图像归一化,计算每个细胞像素的梯度方向并将其连接成块特征向量,作为特征描述因子得到梯度直方图特征向量来定位图... 

【文章来源】：中国地质大学(北京)北京市 211工程院校 教育部直属院校

【文章页数】：73 页

【学位级别】：硕士

【部分图文】：

车内人脸图像示例

第 1 章 引言30°,90°]；第三层为了对应更小的角度共有 7 个节点，方式输入图像子窗口先遍历各层所有节点，若子窗口被某定为非人脸；最后一层被某节点接受则判定为人脸，同时00MHz Pentium Ⅲ上，输入为 320x240 像素大小时，该检 毫秒每帧，远快于前人的多角度人脸检测系统（S.Z.Li，脸检测方法大致可分为基于知识检验的方法，基于特征不的方法和基于统计理论的方法（Bo Wu，2004；Li S Z，2o J，1999；Huang C，2007；Rowley HA，1998）。

网络是由大量的简单处理单元（即神经元）广泛地互相连接组成的，它从人脑神经结构得到启发，最终模拟人脑的信息处理能力，在、计算机科学等诸多领域都有着广泛的应用。神经网络中的多个神行分布式并行处理，同一神经元可以有一到多个输入，有一个输出接到其他神经元；每个神经元都对应唯一连接权值，通过调节连接经元的性能。经网络模型网络作为高度复杂的非线性动力学习系统，神经元是其中最基本的一种多输入单输出的非线性结构，结构如下图 2-1 所示：

【参考文献】：
期刊论文
[1]基于GBDT和HOG特征的人脸关键点定位[J]. 张重生,彭国雯,于珂珂.  河南大学学报(自然科学版). 2018(02)
[2]中国互联网络发展状况统计报告[J].   中国科技信息. 2018(05)
[3]多姿态人脸识别综述[J]. 邹国锋,傅桂霞,李海涛,高明亮,王科俊.  模式识别与人工智能. 2015(07)
[4]标准正面人脸图像的识别[J]. 郑坚平,尤婉英.  计算机工程. 1992(01)
[5]人工智能国外研究情况综述[J]. 李家治,汪云九,涂序彦,郭荣江.  自动化学报. 1979(01)

硕士论文
[1]基于深度学习的监控视频中人脸识别方法改进[D]. 王亚.中国科学技术大学 2018
[2]基于改进的GBDT算法的乘客出行预测研究[D]. 王天华.大连理工大学 2016



本文编号：3594859