基于深度学习的活体人脸检测算法研究

发布时间：2017-10-19 15:21

  本文关键词：基于深度学习的活体人脸检测算法研究

  更多相关文章： 活体人脸检测 卷积神经网络 深度学习 人脸认证系统

【摘要】：近年来,随着互联网+概念的提出,基于网络的应用不断拓展,在线身份成为一大难题。基于生物特征的在线认证技术能够保持人的数字身份和物理身份的一致性,因而受到人们的关注。论文针对活体人脸检测问题开展研究,主要工作包括:1.提出了一种基于深度学习的活体人脸检测方法。首先用人脸图像训练了一个深度神经网络结构用于活体检测。由于活体人脸检测是一个二分类问题,因此其监督信号比较弱,提取特征鲁棒性不好,算法性能不理想。针对这一问题,我们进一步研究了基于微调策略的方法。用活体检测训练图像对Alex-net进行微调得到一个更高效的网络。实验结果表明,本文所提出的方法非常具有竞争力。2.提出了基于动态特征的卷积神经网络活体检测算法。首先采用金字塔LK光流法跟踪视频,得到图像的动态信息,然后对光流运动信息进行分析,计算水平位移和垂直位移,进一步根据两个位移计算位移幅度图,即动态特征图,将动态特征图作为卷积神经网络的输入,最后进行特征提取以及活体检测。3.设计了一个具有活体人脸检测功能的人脸认证系统,该系统包括注册阶段以及认证阶段,注册阶段包括人脸图像检测,特征提取模块,认证阶段包括人脸检测,活体人脸判别,特征提取以及相似度计算模块。
【关键词】：活体人脸检测 卷积神经网络 深度学习 人脸认证系统
【学位授予单位】：北京工业大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.41
【目录】：

• 摘要4-5
• ABSTRACT5-8
• 第1章 绪论8-14
• 1.1 课题背景与意义8-9
• 1.2 人体生物特征欺骗手段9-10
• 1.3 活体人脸检测10-11
• 1.4 论文的研究内容和结构11-14
• 第2章 活体人脸检测综述14-30
• 2.1 人脸身份认证中常见的欺骗方法14-15
• 2.2 活体人脸检测研究现状15-23
• 2.2.1 基于图像纹理分析的方法16-22
• 2.2.2 基于三维结构分析的方法22
• 2.2.3 基于运动信息分析的方法22-23
• 2.3 活体人脸检测数据库23-28
• 2.4 本章小结28-30
• 第3章 基于卷积神经网络的活体人脸检测30-48
• 3.1 卷积神经网络（Convolutional Neural Networks）基础知识30-33
• 3.1.1 神经网络30-31
• 3.1.2 卷积神经网络31-33
• 3.2 基于卷积神经网络的活体人脸检测算法33-39
• 3.2.1 算法的总体框架33
• 3.2.2 卷积神经网络结构33-35
• 3.2.3 卷积神经网络的参数配置35-37
• 3.2.4 卷积神经网络训练37-39
• 3.3 基于微调策略的卷积神经网络人脸活体检测算法39-43
• 3.3.1 微调策略概述39
• 3.3.2 基于图像分类的网络结构预训练39-41
• 3.3.3 图像分类数据库41
• 3.3.4 对预训练的网络进行微调41-43
• 3.4 实验结果及分析43-46
• 3.4.1 Print-Attack数据库的实验结果44-45
• 3.4.2 Replay -Attack数据库的实验结果45-46
• 3.4.3 CASIA-FASD数据库的实验结果46
• 3.5 本章小结46-48
• 第4章 基于运动特征的卷积神经网络活体人脸检测算法48-54
• 4.1 算法流程48
• 4.2 光流法选择及实现48-51
• 4.2.1 光流法介绍48-50
• 4.2.1.1 光流约束方程49
• 4.2.1.2 金字塔光流法49-50
• 4.2.2 不同类型图像的运动特征分析50-51
• 4.3 网络训练51
• 4.4 实验结果以及分析51-53
• 4.5 本章小结53-54
• 第5章 具有活体检测功能的人脸身份认证系统54-68
• 5.1 活体人脸数据库的采集54-55
• 5.2 系统方案设计55-57
• 5.2.1 系统总体设计55
• 5.2.2 系统功能模块55-57
• 5.3 系统实现57-67
• 5.3.1 系统主界面57
• 5.3.2 注册功能模块界面57-61
• 5.3.3 认证功能模块界面61-67
• 5.4 本章小结67-68
• 结论68-70
• 参考文献70-74
• 攻读硕士学位期间发表的学术论文74-76
• 致谢76

，

本文编号：1061833