人脸性别与年龄识别研究

发布时间：2021-05-11 07:51

　　随着社交媒体的日益发展,获取面部性别、年龄属性的需求也逐渐增加。在人机交互系统中对人脸性别和年龄信息进行应用,给人们的生活带来诸多便利。本文基于深度学习方法,从大量人脸数据中获取信息、提取特征、建立网路模型,构造损失函数,最终实现智能识别。论文主要研究工作及创新性如下:（1）设计了一种人脸检测与关键点定位的异步级联卷积神经网络,在训练过程中通过设计卷积核尺寸与最大池化步长,实现了不同级联网络的特征提取。在第一个级联网络的输出中使用全卷积层,后两个网络使用全链接层,使得输入图片的尺寸不受限制;同时采用非极大抑制（NMS）的思想将非人脸数据和重叠人脸数据进行从粗到精的剔除,保证了小脸检测的鲁棒性。实验结果表明,本文设计的网络实时检测帧率可达到40～50fps,最小可检测人脸尺寸为12×12像素。（2）提出了基于深度学习的多任务共享卷积方法,在共享主干网络之后,输出层同时输出性别和年龄的结果。以Res Net网络为主体,利用Group Convolution代替普通卷积,在不增加参数量的同时提高了特征提取能力;增加SE-Net模块来学习不同通道的特征关系;针对Res Net的不同层数选择性加... 

【文章来源】：北方工业大学北京市

【文章页数】：91 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 人脸检测与关键点定位研究现状
        1.2.2 人脸性别预测的研究现状
        1.2.3 人脸年龄估计的研究现状
    1.3 人脸数据库
        1.3.1 人脸检测与关键点定位
        1.3.2 性别预测与年龄估计
    1.4 论文主要研究内容与创新点
        1.4.1 研究内容
        1.4.2 研究创新点
        1.4.3 论文组织结构
第二章 人脸特征提取关键技术
    2.1 卷积神经网络架构概述
        2.1.1 卷积层
        2.1.2 批量归一化层
        2.1.3 激活层
        2.1.4 池化层
        2.1.5 全连接层
        2.1.6 Softmax损失函数层
    2.2 特征提取主干网络
        2.2.1 Resnet网络
        2.2.2 Dense Net网络
        2.2.3 SEnet网络
        2.2.4 Mobile Net网络
    2.3 神经网络优化算法
        2.3.1 批量梯度下降(BGD)算法
        2.3.2 随机梯度下降(SGD)算法
        2.3.3 小批量梯度下降(MBGD)算法
    2.4 深度学习框架
        2.4.1 MXNet框架
        2.4.2 Py Torch框架
        2.4.3 Caffe框架
        2.4.4 Tensor Flow框架
    2.5 本章总结
第三章 人脸检测与关键点定位算法设计
    3.1 引言
    3.2 网络前向推理设计
        3.2.1 构造建议框
        3.2.2 非极大抑制(NMS)算法
        3.2.3 前向推理流程
    3.3 多任务级联卷积网络设计
        3.3.1 网络结构的设计
        3.3.2 损失函数的设计
    3.4 实验过程与分析
        3.4.1 数据预处理
        3.4.2 网络训练
        3.4.3 结果分析
    3.5 本章小结
第四章 人脸性别与年龄估计算法设计
    4.1 引言
    4.2 前向推理设计
    4.3 性别预测与年龄估计网络设计
        4.3.1 改进Res Ne Xt网络
        4.3.2 改进Mobile Net网路
        4.3.3 损失函数的设计
        4.3.4 评估函数的设计
        4.3.5 神经网络优化器的设计
    4.4 实验过程与分析
        4.4.1 数据预处理
        4.4.2 实验环境
        4.4.3 网络训练
        4.4.4 结果分析
    4.5 本章小结
第五章 工程设计与实现
    5.1 RKNN异构框架
    5.2 Core-3399Pro-JD4 嵌入式主板
    5.3 工程实现
    5.4 本章小结
第六章 结论与展望
    6.1 主要结论
    6.2 研究展望
参考文献
在学期间的研究成果
致谢


【参考文献】：
期刊论文
[1]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)
[2]人脸及特征点检测方法综述[J]. 胡健,左艳超.  无线互联科技. 2017(06)
[3]人脸检测方法综述[J]. 赵丽红,刘纪红,徐心和.  计算机应用研究. 2004(09)
[4]基于Gabor小波特征抽取和支持向量机的人脸识别[J]. 刘江华,陈佳品,程君实.  计算机工程与应用. 2003(08)



本文编号：3181036