基于深度学习的伪装人脸识别

发布时间：2021-01-17 07:47

　　随着深度学习与计算机视觉的飞速发展,人脸识别技术在近十年中有了巨大的进步。目前,人脸识别系统在大规模人脸数据集上已经能实现超过人类的识别精度。尽管新的算法在不断刷新性能,但大多数人脸识别系统对伪装变化的人脸还是容易产生识别错误,这使得伪装成为人脸识别领域最具有挑战性的问题之一。由于公开的伪装人脸数据集的规模普遍偏小,目前的伪装人脸识别算法大多采用了两阶段式的训练方法:第一阶段使用普通人脸数据集训练一个用于一般人脸识别的神经网络,第二阶段则在第一阶段网络模型上基于伪装人脸数据集进行迁移微调。本文针对伪装人脸识别基于两阶段训练算法进行研究,主要贡献如下:（1）给出了国内外人脸识别领域的研究现状分析。首先,介绍了人脸识别的流程,重点包括损失函数、网络架构以及数据集;其次,分析了伪装人脸识别的现状、问题以及难点。（2）提出了一种用于伪装人脸识别的新训练算法。新算法基于两阶段迁移训练模式,第一阶段基于加性角间距损失函数来训练通用人脸识别网络模型,第二阶段利用基于三元组损失函数改进得到的联合损失函数在伪装人脸数据集上进行微调训练。鉴于通常配对训练时使用的三元组损失函数只限制了正样本对与负样本对之间... 

【文章来源】：南京邮电大学江苏省

【文章页数】：79 页

【学位级别】：硕士

【部分图文】：

伪装的两种变化

南京邮电大学硕士研究生学位论文第二章基于深度学习的人脸识别9第二章基于深度学习的人脸识别经过近半个世纪的发展，现在的人脸识别算法中已经大量应用了深度学习的技术，包括基于卷积神经网络的人脸检测以及特征提取，并且取得了显著的成效。本章接下来将对现代基于深度学习的人脸识别技术进行详细的介绍：首先概略的描述人脸识别所需要的流程，接下来对流程中的各个部分进行描述，其中重点介绍了人脸的检测以及特征提取的过程。人脸识别的流程图2.1从原始图像到特征向量对被采集到的图像进行人脸识别的流程包括四步：人脸检测、人脸对齐、特征提取以及特征比对，图2.1给出了从原图像获得特征向量的过程示例。人脸检测的目的是为了从原始图像中标识出人脸的位置，现在部分检测算法甚至还可以检测出人脸上一些关键点的位置；人脸对齐是利用人脸图像上的一些关键点坐标和标准人脸模版上的关键点坐标来进行相似变换以得到校正的人脸的过程；特征提取是将人脸图像转换为用来进行比对的特征向量的过程，一般所用的人脸都是经过对齐的；最后特征比对是对特征向量进行距离运算来衡量特征向量间相似性的过程，通过这些距离可以判断不同的特征向量是否来源于相同的人，以此进行识别。人脸检测由于采集到的原始图像中可能不止有一个人脸并且充斥着大量与人脸无关的信息，所以通常需要对这些图像进行人脸检测得到人脸的具体位置，如图2.2所示。

南京邮电大学硕士研究生学位论文第二章基于深度学习的人脸识别10图2.2人脸检测由于深度学习的发展，基于深度学习的目标检测算法得到了大量的研究，以此为基础，神经网络被广泛的运用在了人脸检测上[51-59]，其取得的效果明显好于传统的基于图像纹理特征的检测算法[60-64]。当前的检测算法可以分成多阶段检测[65-67]与单阶段检测[68-70]两种，其中多阶段检测算法会在第一阶段从输入图像中挑选出一些粗略的目标区域，后续的阶段会对这些区域进行分析得出准确的目标区域，这是一个由粗略到精细的过程；单阶段检测算法会由网络直接得到目标区域，因此检测效率较多阶段算法更高，但检测准确度可能有所不足。图2.3MTCNN网络结构本文后续会使用MTCNN[54]作为人脸检测的算法，因此接下来对其进行详细的介绍。MTCNN是一个三阶段检测算法，它不仅可以得到人脸区域的边界框(BoundingBox)，还可以得出人脸的五个关键点(双眼、鼻尖、嘴唇边角)的坐标，图2.1中展示了检测结果。图2.3中给出了MTCNN的结构，它定义了P-Net、R-Net和O-Net这三个结构相似的网络。对于网络中非输出层的每个卷积层与全连接层都使用PRelu[]作为激活函数，这一点并未在图中给出。下面将从训练与实际检测两方面来介绍：1）训练：


本文编号：2982475