基于深度学习的3D人脸识别技术研究
发布时间：2021-03-08 13:59
人脸识别技术作为生物特征识别技术之一,因其自然性、非接触性、唯一性和主动性等多种优势,获得了广大科研人员的关注。随着科学技术的快速发展,人脸识别技术也获得了不小的进步,二维人脸识别技术已经成熟,并且被广泛的应用到我们的生活中。二维人脸图像的本质是三维人脸图像在二维空间的简单投影,缺少了三维人脸图像的空间信息,如人脸曲面信息、人脸曲率信息和人脸空间结构信息。因此,二维人脸识别不可避免地遭遇了光照、姿态和表情等因素的影响。与二维人脸图像相比,三维人脸图像更符合人眼视觉的特点,并且,三维人脸图像拥有真实人脸的空间立体信息,因此,三维人脸识别技术成为人脸识别领域的研究热点。针对二维人脸识别方法对光照、姿态和表情变化的鲁棒性差,本文在Texas3DFRD三维人脸数据库的基础上,基于深度学习的方法,开展三维人脸识别技术的研究,论文具体工作如下:首先,本文对深度学习中经典的分类网络VGG（Visual Geometry Group,VGG）卷积神经网络进行了研究。结合不同尺度下的特征,本文提出了跨层链接的VGG卷积神经网络（Cross-layer Visual Geometry Group,CLVG...
【文章来源】：天津工业大学天津市
【文章页数】：90 页
【学位级别】：硕士
【部分图文】：
人脸几何特征
特征脸与待分类人脸特征之间的相似性，最后达到一个分类识别的效果；后来又出现了Fisherfaces方法[12]，它是由Hespanha、Belhumeur和Kriegman等科研人员在特征脸方法的基础上提出来的，与特征脸方法不同的是，Fisherfaces采用了线性鉴别分析技术[13]（LinearDiscriminantAnalysis，LDA），从数学的角度出发，寻找更优的人脸表示；在国内，如清华大学的彭辉教授和张长教授在特征脸的方法的基础上，采用类间散布矩阵的方法来降低特征脸的方法中结果矩阵的维数，这种方法在保证识别精度的同时，提升了识别的效率[14]。下图1-2为特征脸示意图。图1-2特征脸Fig.1-2Eigenface第三个阶段是20世纪90年代末到现在，随着科学技术的不断发展与苛刻的应用要求，科研人员开始探索非理想条件下的人脸识别技术研究。主要研究光照、表情和姿态发生改变的复杂现场环境下的人脸识别的识别率与稳定性。主要的方法有AdaBoost检测技术、支持向量机（SupportVectorMachine，SVM）和深度学习的方法等[15]。AdaBoost检测技术可用于人脸检测；SVM可用于人脸的分类识别[16]；深度学习的方法既可以做人脸检测，同时还可以做人脸的分类识别[17]。如对称主元分析神经网络的方法，它是由张辉、周洪祥等人提出来的，该方法通过将去冗余和权值正交相结合对人脸特征的提取和识别，特征维数比较少，可以高效率地对人脸进行存储和识别[18]；孙祎提出了一种基于深度学习的DeepID人脸识别算法，使用了目前在计算机视觉、模式识别和图像处理领域火热的深度学习的方法，并且，其效果远超于传统的人脸识别算法[19]。
第一章绪论7（a）手机解锁（b）工作考勤（c）安防监控（d）刷脸支付图1-3人脸识别的应用Fig.1-3Applicationoffacerecognition1.4论文的主要内容与结构1.4.1论文主要研究内容随着应用环境的愈加复杂，二维人脸识别不可避免地受到了光照和表情等因素的影响，导致误识别或者拒识别。为了提高人脸识别的识别精度与鲁棒性，本文在Texas3DFRD三维人脸数据库的基础上，对人脸识别算法进行了研究，并在经典的分类算法VGG卷积神经网络分类算法的基础上，提出了CLVGG卷积神经网络分类算法。同时搭建了有效的三维人脸识别系统，并将本文算法应用在系统中，完成实时的三维人脸识别，验证了系统的正确性与本文算法的有效性。具体研究内容如下：（1）在深度学习中经典的VGG卷积神经网络分类算法的基础上，从网络结构和网络参数两个方面对原始的VGG卷积神经网络进行了改进。在网络结构方面，在第一和第二个Block单元中，增加了第一个卷积层到池化层之间的连接，在第三、第四和第五个Block单元中，增加了第一个卷积层和第二个卷积层到池化层之间的连接；在网络参数方面，本文增加了最后一个卷积层的卷积核个数，并去除了一个全连接层，降低了模型的总参数。CLVGG卷积神经网络模型增加了那些具有表征意义的不同尺度特征信息，提升了模型的识别精度，降低了模型的总参数，提升了模型的运行效率。（2）本文在Texas3DFRD三维人脸数据库的基础上，结合CLVGG卷积神经网络分类算法，分别分析了二维人脸识别、三维人脸识别和多模态融合的人脸
【参考文献】：
期刊论文
[1]改进VGG网络的多聚焦图像的融合方法[J]. 陈清江,汪泽百,柴昱洲. 应用光学. 2020(03)
[2]基于RBM的深度信念网络综述[J]. 李腾飞. 信息与电脑(理论版). 2018(10)
[3]深度学习在图像处理领域中的应用综述[J]. 殷琪林,王金伟. 高教学刊. 2018(09)
[4]基于TensorFlow深度学习框架的卷积神经网络研究[J]. 袁文翠,孔雪. 微型电脑应用. 2018(02)
[5]深度学习相关研究综述[J]. 张军阳,王慧丽,郭阳,扈啸. 计算机应用研究. 2018(07)
[6]基于奇异点邻域结构的三维人脸识别方法[J]. 袁姮,王志宏,姜文涛. 控制与决策. 2017(10)
[7]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)
[8]基于关键点和局部特征的三维人脸识别[J]. 郭梦丽,达飞鹏,邓星,盖绍彦. 浙江大学学报(工学版). 2017(03)
[9]生物特征识别技术综述[J]. 郑方,艾斯卡尔·肉孜,王仁宇,李蓝天. 信息安全研究. 2016(01)
[10]基于CASIA 3D的三维人脸数据预处理方法[J]. 王大为,吕爱龙,陈美婕,杨培林,白云鹍. 山西师范大学学报(自然科学版). 2015(04)
博士论文
[1]三维人脸检测与识别技术研究[D]. 蔡宇.吉林大学 2013
硕士论文
[1]基于深度卷积神经网络的图像识别算法研究[D]. 高华照.吉林大学 2018
[2]基于多尺度信息融合的三维人脸识别技术研究[D]. 宋丹.天津工业大学 2016
[3]三维人脸识别方法研究[D]. 蒋成成.浙江工业大学 2009
本文编号：3071167
【文章来源】：天津工业大学天津市
【文章页数】：90 页
【学位级别】：硕士
【部分图文】：
人脸几何特征
特征脸与待分类人脸特征之间的相似性，最后达到一个分类识别的效果；后来又出现了Fisherfaces方法[12]，它是由Hespanha、Belhumeur和Kriegman等科研人员在特征脸方法的基础上提出来的，与特征脸方法不同的是，Fisherfaces采用了线性鉴别分析技术[13]（LinearDiscriminantAnalysis，LDA），从数学的角度出发，寻找更优的人脸表示；在国内，如清华大学的彭辉教授和张长教授在特征脸的方法的基础上，采用类间散布矩阵的方法来降低特征脸的方法中结果矩阵的维数，这种方法在保证识别精度的同时，提升了识别的效率[14]。下图1-2为特征脸示意图。图1-2特征脸Fig.1-2Eigenface第三个阶段是20世纪90年代末到现在，随着科学技术的不断发展与苛刻的应用要求，科研人员开始探索非理想条件下的人脸识别技术研究。主要研究光照、表情和姿态发生改变的复杂现场环境下的人脸识别的识别率与稳定性。主要的方法有AdaBoost检测技术、支持向量机（SupportVectorMachine，SVM）和深度学习的方法等[15]。AdaBoost检测技术可用于人脸检测；SVM可用于人脸的分类识别[16]；深度学习的方法既可以做人脸检测，同时还可以做人脸的分类识别[17]。如对称主元分析神经网络的方法，它是由张辉、周洪祥等人提出来的，该方法通过将去冗余和权值正交相结合对人脸特征的提取和识别，特征维数比较少，可以高效率地对人脸进行存储和识别[18]；孙祎提出了一种基于深度学习的DeepID人脸识别算法，使用了目前在计算机视觉、模式识别和图像处理领域火热的深度学习的方法，并且，其效果远超于传统的人脸识别算法[19]。
第一章绪论7（a）手机解锁（b）工作考勤（c）安防监控（d）刷脸支付图1-3人脸识别的应用Fig.1-3Applicationoffacerecognition1.4论文的主要内容与结构1.4.1论文主要研究内容随着应用环境的愈加复杂，二维人脸识别不可避免地受到了光照和表情等因素的影响，导致误识别或者拒识别。为了提高人脸识别的识别精度与鲁棒性，本文在Texas3DFRD三维人脸数据库的基础上，对人脸识别算法进行了研究，并在经典的分类算法VGG卷积神经网络分类算法的基础上，提出了CLVGG卷积神经网络分类算法。同时搭建了有效的三维人脸识别系统，并将本文算法应用在系统中，完成实时的三维人脸识别，验证了系统的正确性与本文算法的有效性。具体研究内容如下：（1）在深度学习中经典的VGG卷积神经网络分类算法的基础上，从网络结构和网络参数两个方面对原始的VGG卷积神经网络进行了改进。在网络结构方面，在第一和第二个Block单元中，增加了第一个卷积层到池化层之间的连接，在第三、第四和第五个Block单元中，增加了第一个卷积层和第二个卷积层到池化层之间的连接；在网络参数方面，本文增加了最后一个卷积层的卷积核个数，并去除了一个全连接层，降低了模型的总参数。CLVGG卷积神经网络模型增加了那些具有表征意义的不同尺度特征信息，提升了模型的识别精度，降低了模型的总参数，提升了模型的运行效率。（2）本文在Texas3DFRD三维人脸数据库的基础上，结合CLVGG卷积神经网络分类算法，分别分析了二维人脸识别、三维人脸识别和多模态融合的人脸
【参考文献】：
期刊论文
[1]改进VGG网络的多聚焦图像的融合方法[J]. 陈清江,汪泽百,柴昱洲. 应用光学. 2020(03)
[2]基于RBM的深度信念网络综述[J]. 李腾飞. 信息与电脑(理论版). 2018(10)
[3]深度学习在图像处理领域中的应用综述[J]. 殷琪林,王金伟. 高教学刊. 2018(09)
[4]基于TensorFlow深度学习框架的卷积神经网络研究[J]. 袁文翠,孔雪. 微型电脑应用. 2018(02)
[5]深度学习相关研究综述[J]. 张军阳,王慧丽,郭阳,扈啸. 计算机应用研究. 2018(07)
[6]基于奇异点邻域结构的三维人脸识别方法[J]. 袁姮,王志宏,姜文涛. 控制与决策. 2017(10)
[7]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)
[8]基于关键点和局部特征的三维人脸识别[J]. 郭梦丽,达飞鹏,邓星,盖绍彦. 浙江大学学报(工学版). 2017(03)
[9]生物特征识别技术综述[J]. 郑方,艾斯卡尔·肉孜,王仁宇,李蓝天. 信息安全研究. 2016(01)
[10]基于CASIA 3D的三维人脸数据预处理方法[J]. 王大为,吕爱龙,陈美婕,杨培林,白云鹍. 山西师范大学学报(自然科学版). 2015(04)
博士论文
[1]三维人脸检测与识别技术研究[D]. 蔡宇.吉林大学 2013
硕士论文
[1]基于深度卷积神经网络的图像识别算法研究[D]. 高华照.吉林大学 2018
[2]基于多尺度信息融合的三维人脸识别技术研究[D]. 宋丹.天津工业大学 2016
[3]三维人脸识别方法研究[D]. 蒋成成.浙江工业大学 2009
本文编号：3071167
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3071167.html
最近更新
教材专著
