基于深度学习模型的人脸性别识别方法研究

发布时间：2017-07-02 06:02

  本文关键词：基于深度学习模型的人脸性别识别方法研究，由笔耕文化传播整理发布。

【摘要】：在当今信息化时代,如何准确的识别一个人的身份、保护信息隐私安全,已经成为当今社会的关键问题。随着计算机科学技术的发展,特别是模式识别、机器学习、计算机视觉等领域,使得生物特征识别技术在近几年内取得了阶段性突破。人脸是人类最重要的生物特征之一,其中蕴含了大量的生物信息,如性别、年龄、表情、人种等重要特征,所以在人机接口、机器人视觉、图像视频检索以及身份识别中存在潜在的应用价值,该项研究具有重大的研究意义。本课题研究了基于深度学习模型的人脸性别识别方法,并在FERET和CAS-PEAL-R1两个人脸库上,进行人脸性别分类的相关对比实验。然后,分别对栈式稀疏自编码器模型和卷积神经网络模型提出了改进方案,实验表明,改进后的两个模型,对于性别分类任务,分类准确率有着一定的提升。此外,为了提升模型预测结果的准确性和稳定性,本文还研究了模型组合方法,并改进了组合模型中基模型的权重系数分配方法。实验表明,其分类效果平均优于各基模型的分类效果,对分类任务起着正向作用。最后,本课题基于组合后的模型开发了一个实时人脸性别识别系统原型,并利用该系统模拟了一个商场广告推荐场景。该系统以摄像头采集到自然场景作为输入,经过模型计算,给出性别分类结果,满足系统实时响应和高准确率的要求,并且对于光照、遮挡、侧脸情况具有一定的鲁棒性。
【关键词】：性别分类 人脸识别 深度学习 半监督学习 集成学习
【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 研究背景与意义8-9
• 1.2 国内外研究现状9-11
• 1.3 论文的研究内容与主要贡献11
• 1.4 论文的组织结构11-14
• 第2章 深度学习模型基础14-28
• 2.1 多层前馈网络14-18
• 2.1.1 感知器单元15-16
• 2.1.2 反向传播算法16-18
• 2.2 栈式稀疏自编码器模型18-23
• 2.2.1 稀疏自编码器18-20
• 2.2.2 目标函数与求解20-22
• 2.2.3 栈式组合结构22-23
• 2.3 卷积神经网络模型23-27
• 2.3.1 二维卷积与池化运算24-25
• 2.3.2 目标函数与求解25-27
• 2.4 本章小结27-28
• 第3章 数据预处理与模型评价28-32
• 3.1 实验环境28
• 3.2 人脸数据库28-29
• 3.3 图像预处理29-31
• 3.4 分类模型评价指标31
• 3.5 本章小结31-32
• 第4章 基于深度学习模型的人脸性别分类方法32-46
• 4.1 基于栈式稀疏自编码器模型的性别分类实验32-35
• 4.1.1 模型改进动机与方法32-33
• 4.1.2 实验结果与分析33-35
• 4.2 基于卷积神经网络模型的性别分类实验35-44
• 4.2.1 模型改进动机与方法35-37
• 4.2.2 实验结果与分析37-44
• 4.3 与前人方法对比分析44-45
• 4.4 本章小结45-46
• 第5章 基于模型组合的人脸性别分类方法46-52
• 5.1 模型组合的改进动机与方法46-48
• 5.1.1 问题描述与改进动机46
• 5.1.2 目标函数定义46-47
• 5.1.3 目标函数求解47-48
• 5.2 实验结果与分析48-50
• 5.2.1 基模型选择48-49
• 5.2.2 参数设置49
• 5.2.3 实验结果49-50
• 5.3 本章小结50-52
• 第6章 实时人脸性别识别系统与应用效果分析52-66
• 6.1 系统描述52-53
• 6.1.1 系统功能描述52
• 6.1.2 系统性能描述52-53
• 6.2 硬件与软件环境53-54
• 6.2.1 硬件环境53-54
• 6.2.2 软件环境54
• 6.3 实时系统实现过程54-55
• 6.4 应用效果分析55-64
• 6.4.1 系统效果分析57-58
• 6.4.2 光照效果对比58-61
• 6.4.3 遮罩效果分析61-63
• 6.4.4 侧脸效果分析63-64
• 6.5 本章小结64-66
• 结论66-68
• 参考文献68-72
• 附录A72-74
• 附录B74-82
• 攻读硕士学位期间所取得的研究成果82-84
• 致谢84

  本文关键词：基于深度学习模型的人脸性别识别方法研究，由笔耕文化传播整理发布。

，

本文编号：508705