基于人脸区域特征相关性的视频流人脸识别系统设计与实现
发布时间：2020-04-06 17:35
【摘要】：人脸识别是生物特征识别的重要领域之一,在人机交互、身份验证、社会安防等诸多方面有着十分广阔的应用前景。目前,基于深度学习提取人脸特征进行人脸静态图片识别的方法,在Labeled Faces in the Wild (LFW)数据集等标准集上的正确识别率几乎接近人类。但是,在视频流中,如监控系统中的人脸,由于人体的不停运动和姿态偏移等问题,导致检测到的部分人脸区域严重模糊和不完整,这种情况下,单纯地采用基于图片的人脸识别方法,准确率会严重下降。视频具有可用于识别的大量人脸区域图像信息。然而,不是所有帧中的脸部图像都适合于图像识别。因此,利用视频中所有帧进行识别并不一定会提高性能,反而显著增加了识别的计算时间。本文考虑到视频中人脸的姿态、图像的模糊以及人脸区域图像的大量冗余等问题,设计并实现了基于人脸区域的特征自相关系数和互相关系数的人脸区域图像选取算法,以及加权投票判决的人脸识别方法。该系统可以有效地选取高质量人脸图像用于人脸识别,并减少连续视频帧中人脸图像的冗余,通过对少数人脸图像的识别并加权投票判决,降低了人脸识别的计算次数,提高了识别系统的正确率、实时性与稳定性。本文的主要工作如下:1.提出一种衡量人脸图像特征质量的指标--人脸图像的特征自相关系数。通过该指标可以滤去人脸模糊、姿态倾斜的人脸图像,选取适合识别的高质量人脸图像,从而提高人脸识别率;2.提出一种衡量多张人脸图像间冗余度的指标--图像的特征互相关系数。通过该指标减少识别次数,为实现实时视频人脸识别提供可能;3.采用基于深度学习的K-NN分类人脸识别算法实现单张图片的识别,提出一种基于互相关系数的加权投票人脸判决算法;4.实现了视频流人脸识别系统。且通过对分类系统分类类别以及类别的特征进行版本控制,可远程在线更新系统的识别能力
【图文】：
领士学位论文逡逑ＭＡＳＴＥＲ＇Ｓ邋ＴＨＥＳＩＳ逡逑Ｒｅｃｏｇｎｉｔｉｏｎ邋（ＣＶＰＲ）上用于提取人脸特征的深度学习模型。其模型结构如图２．１逡逑所示，网络由批量输入层和深层ＣＮＮｓ组成，随后Ｌ２归一化，输出人脸特征。逡逑＂＂＂Ｅ￣￣逡逑逦：￣￣：逦邋逦１邋Ｗ邋Ｈ逦逡逑ＤＥＥＰ邋ＡＲＣＨＩＴＥＣＴＵＲＥ邋Ｌ２邋＃邋0邋＃邋ｒ／ｊｊ；逡逑ｉＨｎＨｎＨＢＢＨｉ逦１逦逦Ｉｎ逦匕娭；逡逑Ｂａｔｃｈ逦Ｎ逡逑图２．１邋Ｆａｃｅｎｅｔ晸模型结构逡逑Ｆａｃｅｎｅｔ在训练的时候，采用ＴｒｉｐｌｅｔＬｏｓｓ的方法计算损失函数，其示意图如逡逑图２．２所示。其思想是最小化锚特征与同类间特征的距离，最大化锚特征与其他逡逑类间特征的距离。逡逑Ｎｅｇａｔｉｖｅ逡逑Ａｎｃｈｏｉ＾邋＾逦ＬＥＡＲＮＩＮＧ逡逑Ｎｅｇａｔｉｖｅ逡逑—？０逦Ａｎｃｈｏｒ邋＾逡逑Ｐｏｓｉｔｉｖｅ逦Ｐｏｓｉｔｉｖｅ逡逑图邋２．２邋Ｔｒｉｐｌｅｔ邋Ｌｏｓｓ［１Ｑ］不意图逡逑除了邋Ｔｒｉｐｌｅｔ邋Ｌｏｓｓ可用于训练特征提取网络外，Ｗｅｎ等人提出使用ＳｏｆｔＭａｘ逡逑ｌｏｓｓ和Ｃｅｎｔｒａｌ邋Ｌｏｓｓ按比例融合的方法，同样可以提取在高维下离散的人脸特征。逡逑本文借鉴Ｗｅｎ提出的损失函数，，具体内容将在３．４．１节中详细介绍。逦４逡逑２．２目标跟踪简介逡逑目标跟踪是计算机视觉领域最重要的研究热点之一，被广泛应用于军事、医逡逑学、交通等领域。虽然目标跟踪技术已经研[偭思甘
本文编号：2616816
【图文】：
领士学位论文逡逑ＭＡＳＴＥＲ＇Ｓ邋ＴＨＥＳＩＳ逡逑Ｒｅｃｏｇｎｉｔｉｏｎ邋（ＣＶＰＲ）上用于提取人脸特征的深度学习模型。其模型结构如图２．１逡逑所示，网络由批量输入层和深层ＣＮＮｓ组成，随后Ｌ２归一化，输出人脸特征。逡逑＂＂＂Ｅ￣￣逡逑逦：￣￣：逦邋逦１邋Ｗ邋Ｈ逦逡逑ＤＥＥＰ邋ＡＲＣＨＩＴＥＣＴＵＲＥ邋Ｌ２邋＃邋0邋＃邋ｒ／ｊｊ；逡逑ｉＨｎＨｎＨＢＢＨｉ逦１逦逦Ｉｎ逦匕娭；逡逑Ｂａｔｃｈ逦Ｎ逡逑图２．１邋Ｆａｃｅｎｅｔ晸模型结构逡逑Ｆａｃｅｎｅｔ在训练的时候，采用ＴｒｉｐｌｅｔＬｏｓｓ的方法计算损失函数，其示意图如逡逑图２．２所示。其思想是最小化锚特征与同类间特征的距离，最大化锚特征与其他逡逑类间特征的距离。逡逑Ｎｅｇａｔｉｖｅ逡逑Ａｎｃｈｏｉ＾邋＾逦ＬＥＡＲＮＩＮＧ逡逑Ｎｅｇａｔｉｖｅ逡逑—？０逦Ａｎｃｈｏｒ邋＾逡逑Ｐｏｓｉｔｉｖｅ逦Ｐｏｓｉｔｉｖｅ逡逑图邋２．２邋Ｔｒｉｐｌｅｔ邋Ｌｏｓｓ［１Ｑ］不意图逡逑除了邋Ｔｒｉｐｌｅｔ邋Ｌｏｓｓ可用于训练特征提取网络外，Ｗｅｎ等人提出使用ＳｏｆｔＭａｘ逡逑ｌｏｓｓ和Ｃｅｎｔｒａｌ邋Ｌｏｓｓ按比例融合的方法，同样可以提取在高维下离散的人脸特征。逡逑本文借鉴Ｗｅｎ提出的损失函数，，具体内容将在３．４．１节中详细介绍。逦４逡逑２．２目标跟踪简介逡逑目标跟踪是计算机视觉领域最重要的研究热点之一，被广泛应用于军事、医逡逑学、交通等领域。虽然目标跟踪技术已经研[偭思甘
本文编号：2616816
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/2616816.html
