基于深度神经网络的视频人脸识别研究
发布时间：2021-01-23 03:08
随着近年来数据挖掘技术和人工智能的兴起,生物识别领域取得了突破性的进展。人脸识别作为一种关键的基于生物特征的身份认证方式,极大程度上为人们的日常生活带来了便利条件。然而尽管目前人脸识别领域已经被许多学者广泛研究,基于视频的人脸识别仍然是一个具有挑战性的领域并需要更加深入的探索。目前,基于深度学习的技术和方法已经在人脸的检测和识别研究领域被广泛的采用,本文设计了基于深度神经网络模型来实现基于视频的人脸识别任务,并且使得神经网络模型在具有足够高人脸识别的准确度的同时能够保证人脸识别过程的实时性。本文主要包括以下研究内容:（1）搭建基于级联卷积神经网络结构实现人脸的检测功能。本文使用多个卷积神经网络级联的结构作为人脸检测任务的深度网络模型,并为神经网络设计了三个不同的任务,分别为人脸与非人脸图像的分类、人脸图像坐标的定位的和人脸关键点坐标的定位。（2）实现基于多层神经网络的方法完成人脸图像的特征提取过程。本文中设计和搭建了卷积网络的结构,旨在从视频图像中抽取人脸信息的特征向量表达。相比于目前先进的人脸识别网络,本文针对自然场景下视频图像场景较为复杂的特点对网络结构和损失函数等关键点进行设计和...
【文章来源】：北京工业大学北京市 211工程院校
【文章页数】：80 页
【学位级别】：硕士
【图文】：
基于流模型的人脸识别Figure1-1manifold-basedfacerecognition图1-1展示了一个基于流模型的人脸识别模型是如何实现识别过程的
图 1-2 基于图像帧的人脸识别Figure 1-2 Frame-based face recognition相比基于流模型的方法，本文提出的模型更类似于依赖图像帧的人脸识别。在基于图像帧的方法中，一般可以将整个过程拆分为人脸面部的检测和分类两个不同的任务。图 1-2 展示了一个基于图像帧的方法是如何进行人脸识别任务的。基于图像帧的人脸识别方法首先在视频画面中获得人脸的位置，并抽取出人脸部分的图像，随后尝试将该图像与数据集中的已知人脸图像进行匹配，选择与该图像相似度最高的已知人脸图像输出为最终的识别结果。图中 （ ）分别表示当前图像来自人脸个体 的可能性。基本上，这种方法通过选择可能性最大的人脸个体来实现人脸的识别。1.3 本文的主要研究内容
带的人脸数据量会更大，人脸图像的背景变化也会更为年来大数据技术的支持与发展和人工智能技术的进步和法已经被广泛应用于图像识别领域并取得显著成果。基于其强大的非线性拟合能力，可以获得强大的隐式特征的方法更加鲁棒。伴随着深度学习技术在图像识别领域者也逐渐开始将基于深度神经网络的方法进一步应用于习是机器学习的一个新的研究领域，主要指使用多层神方法来解决图像，文本，语音等多种问题的方法的集合归类于人工神经网络的研究，深层次网络架构的目的在在通过分层网络获取分层次的特征信息，从而替代以往形式。连接神经网络的图像识别
【参考文献】：
期刊论文
[1]复杂光照下人脸预处理的算法研究[J]. 黄琼. 无线互联科技. 2019(03)
[2]卷积神经网络研究综述[J]. 张亚倩. 信息通信. 2018(11)
[3]人工神经网络图像模式识别综述[J]. 张东东. 电子世界. 2018(09)
[4]基于深度卷积神经网络的人脸识别技术综述[J]. 景晨凯,宋涛,庄雷,刘刚,王乐,刘凯伦. 计算机应用与软件. 2018(01)
[5]基于体感技术的人机交互设计在游戏领域的应用[J]. 孙金山. 艺术科技. 2017(10)
[6]视频监控中人脸识别关键技术的探讨[J]. 王根达. 中国新通信. 2017(17)
[7]面向智能人机交互的鲁棒的实时多人脸检测[J]. 赵新超,袁家政. 计算机应用与软件. 2017(08)
[8]有遮挡人脸识别综述:从子空间回归到深度学习[J]. 李小薪,梁荣华. 计算机学报. 2018(01)
[9]海量视频人脸提取与识别并行框架设计及优化[J]. 李海跃,谭郁松,伍复慧. 计算机应用研究. 2017(12)
[10]卷积神经网络研究综述[J]. 李彦冬,郝宗波,雷航. 计算机应用. 2016(09)
硕士论文
[1]基于人脸识别的出入口人物身份识别[D]. 王文智.贵州民族大学 2017
[2]基于卷积神经网络的人脸年龄估计算法[D]. 周旺.南京大学 2017
[3]基于多子空间的稀疏表示人脸识别算法[D]. 杜卓.燕山大学 2016
[4]基于卷积神经网络的人脸识别研究与实现[D]. 万士宁.电子科技大学 2016
[5]基于指尖信息的手势识别与人机交互应用研究[D]. 谈家谱.北京交通大学 2016
[6]基于几何特征的人脸识别算法研究[D]. 曹海燕.曲阜师范大学 2015
[7]基于视频的运动目标检测与跟踪方法研究[D]. 陈鑫.广东工业大学 2014
[8]基于深度学习的视频人脸识别方法[D]. 由清圳.哈尔滨工业大学 2013
本文编号：2994430
【文章来源】：北京工业大学北京市 211工程院校
【文章页数】：80 页
【学位级别】：硕士
【图文】：
基于流模型的人脸识别Figure1-1manifold-basedfacerecognition图1-1展示了一个基于流模型的人脸识别模型是如何实现识别过程的
图 1-2 基于图像帧的人脸识别Figure 1-2 Frame-based face recognition相比基于流模型的方法，本文提出的模型更类似于依赖图像帧的人脸识别。在基于图像帧的方法中，一般可以将整个过程拆分为人脸面部的检测和分类两个不同的任务。图 1-2 展示了一个基于图像帧的方法是如何进行人脸识别任务的。基于图像帧的人脸识别方法首先在视频画面中获得人脸的位置，并抽取出人脸部分的图像，随后尝试将该图像与数据集中的已知人脸图像进行匹配，选择与该图像相似度最高的已知人脸图像输出为最终的识别结果。图中 （ ）分别表示当前图像来自人脸个体 的可能性。基本上，这种方法通过选择可能性最大的人脸个体来实现人脸的识别。1.3 本文的主要研究内容
带的人脸数据量会更大，人脸图像的背景变化也会更为年来大数据技术的支持与发展和人工智能技术的进步和法已经被广泛应用于图像识别领域并取得显著成果。基于其强大的非线性拟合能力，可以获得强大的隐式特征的方法更加鲁棒。伴随着深度学习技术在图像识别领域者也逐渐开始将基于深度神经网络的方法进一步应用于习是机器学习的一个新的研究领域，主要指使用多层神方法来解决图像，文本，语音等多种问题的方法的集合归类于人工神经网络的研究，深层次网络架构的目的在在通过分层网络获取分层次的特征信息，从而替代以往形式。连接神经网络的图像识别
【参考文献】：
期刊论文
[1]复杂光照下人脸预处理的算法研究[J]. 黄琼. 无线互联科技. 2019(03)
[2]卷积神经网络研究综述[J]. 张亚倩. 信息通信. 2018(11)
[3]人工神经网络图像模式识别综述[J]. 张东东. 电子世界. 2018(09)
[4]基于深度卷积神经网络的人脸识别技术综述[J]. 景晨凯,宋涛,庄雷,刘刚,王乐,刘凯伦. 计算机应用与软件. 2018(01)
[5]基于体感技术的人机交互设计在游戏领域的应用[J]. 孙金山. 艺术科技. 2017(10)
[6]视频监控中人脸识别关键技术的探讨[J]. 王根达. 中国新通信. 2017(17)
[7]面向智能人机交互的鲁棒的实时多人脸检测[J]. 赵新超,袁家政. 计算机应用与软件. 2017(08)
[8]有遮挡人脸识别综述:从子空间回归到深度学习[J]. 李小薪,梁荣华. 计算机学报. 2018(01)
[9]海量视频人脸提取与识别并行框架设计及优化[J]. 李海跃,谭郁松,伍复慧. 计算机应用研究. 2017(12)
[10]卷积神经网络研究综述[J]. 李彦冬,郝宗波,雷航. 计算机应用. 2016(09)
硕士论文
[1]基于人脸识别的出入口人物身份识别[D]. 王文智.贵州民族大学 2017
[2]基于卷积神经网络的人脸年龄估计算法[D]. 周旺.南京大学 2017
[3]基于多子空间的稀疏表示人脸识别算法[D]. 杜卓.燕山大学 2016
[4]基于卷积神经网络的人脸识别研究与实现[D]. 万士宁.电子科技大学 2016
[5]基于指尖信息的手势识别与人机交互应用研究[D]. 谈家谱.北京交通大学 2016
[6]基于几何特征的人脸识别算法研究[D]. 曹海燕.曲阜师范大学 2015
[7]基于视频的运动目标检测与跟踪方法研究[D]. 陈鑫.广东工业大学 2014
[8]基于深度学习的视频人脸识别方法[D]. 由清圳.哈尔滨工业大学 2013
本文编号：2994430
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/2994430.html
最近更新
教材专著
