基于深度学习算法的人脸识别研究
发布时间：2021-07-22 12:02
人脸识别是图像领域的经典问题,为解决目前人脸识别中普遍存在的识别精度不高、特征点估计较为粗糙等问题,采用一种基于R-CNN（Res Nets-Convolutional Neural Network）算法的人脸识别方法。该方法用人脸特征探测器有效的提取了人脸特征,同时将R-CNN卷积神经网络结合特征脸算法用于2D人脸识别。采集了400张目标脸,和人脸库中的1000张样本脸混合,形成人脸数据集。本文的主要工作如下:1.针对CNN网络过拟合问题,本文提出了网络优化方法,改进全连接层设计,对原Droupout随机稀疏进行改进,使其在训练阶段的输出值从大到小划分成两个等级（前1/2、后1/2）,两个等级的稀疏度设定也有所不同（输出值小稀疏率高,输出值大稀疏率低）,从而对全连接层进行稀疏化处理,对改进后的CNN网络在人脸数据集中进行实现,给出网络的准确率与损失。2.针对R-CNN网络的不足,提出了通过固定尺寸分割取代滑动窗口的策略,由于滑动窗口大小固定不变,且会造成窗口冗余,而固定尺寸分割会产生尺寸多样的目标估计,即使人脸图像是在极端情况下采集得到的,检测结果也较好。同时对Res Nets网络中...
【文章来源】：辽宁工程技术大学辽宁省
【文章页数】：78 页
【学位级别】：硕士
【部分图文】：
人脸识别原理框图
辽宁工程技术大学硕士学位论文111.SAE自编码网络模型拥有三层神经网络，输出重构层、隐藏层以及数据输入层这三层构成了自编码网络，自编码网络学习方式采用无监督学习，图2.2是其模型图。图2.2自编码网络模型Figure2.2Self-codingnetworkmodel编码与解码是组成SAE的两个部分，网络是先编码再解码，将数据输入到网络，映射到g.函数中，这是编码的过程。解码是编码的逆过程，将输出函数g.的值输入到解码器中，通过过程中网络自调节使得解码值xxhbw,。自编码网络是栈式自编码网络的基本组成单元，它是通过叠加数个自编码网络形成的网络模型，SAE网络模型如图2.3所示：图2.3SAE网络模型Figure2.3SAEnetworkmodelSAE网络因为是由自编码网络叠加而成，所以学习方式跟自编码一样是无监督学习，该网络以这种学习方式逐层训练，这种训练过程有效避免误差积累，能够提取不错的高阶
辽宁工程技术大学硕士学位论文111.SAE自编码网络模型拥有三层神经网络，输出重构层、隐藏层以及数据输入层这三层构成了自编码网络，自编码网络学习方式采用无监督学习，图2.2是其模型图。图2.2自编码网络模型Figure2.2Self-codingnetworkmodel编码与解码是组成SAE的两个部分，网络是先编码再解码，将数据输入到网络，映射到g.函数中，这是编码的过程。解码是编码的逆过程，将输出函数g.的值输入到解码器中，通过过程中网络自调节使得解码值xxhbw,。自编码网络是栈式自编码网络的基本组成单元，它是通过叠加数个自编码网络形成的网络模型，SAE网络模型如图2.3所示：图2.3SAE网络模型Figure2.3SAEnetworkmodelSAE网络因为是由自编码网络叠加而成，所以学习方式跟自编码一样是无监督学习，该网络以这种学习方式逐层训练，这种训练过程有效避免误差积累，能够提取不错的高阶
【参考文献】：
期刊论文
[1]深度学习在图像识别中的应用研究综述[J]. 郑远攀,李广阳,李晔. 计算机工程与应用. 2019(12)
[2]基于深度学习的ARM平台实时人脸识别[J]. 方国康,李俊,王垚儒. 计算机应用. 2019(08)
[3]基于视觉跟踪的实时视频人脸识别[J]. 任梓涵,杨双远. 厦门大学学报(自然科学版). 2018(03)
[4]基于流形结构的人脸民族特征研究[J]. 王存睿,张庆灵,段晓东,王元刚,李泽东. 自动化学报. 2018(01)
[5]基于改进的Fisher准则的多示例学习视频人脸识别算法[J]. 王玉,申铉京,陈海鹏. 自动化学报. 2018(12)
[6]基于深度学习的图像识别处理[J]. 林杰,李如意. 网络安全技术与应用. 2017(11)
[7]基于双重优化的卷积神经网络图像识别算法[J]. 刘万军,梁雪剑,曲海成. 模式识别与人工智能. 2016(09)
[8]基于深度反卷积网络的虹膜定位方法研究[J]. 徐霄,陈阳,张飞云,乔宇. 集成技术. 2016(01)
[9]基于多块局部二值模式特征和人眼定位的人脸检测[J]. 王小玉,张亚洲,陈德运. 仪器仪表学报. 2014(12)
[10]基于K-L变换的人脸自动识别方法[J]. 彭辉,张长水,荣钢,边肇祺. 清华大学学报(自然科学版). 1997(03)
博士论文
[1]基于特征学习的无约束环境下的人脸识别研究[D]. 田雷.北京邮电大学 2018
硕士论文
[1]人脸识别中人脸检测和特征提取算法的研究[D]. 刘胜昔.南京邮电大学 2018
[2]基于稀疏表示与深度学习的人脸识别研究[D]. 温研东.华南理工大学 2016
[3]卷积神经网络在图像分类中的应用研究[D]. 吴正文.电子科技大学 2015
[4]基于卷积神经网络的图像分类方法研究[D]. 谢宝剑.合肥工业大学 2015
[5]基于卷积神经网络的人脸识别研究[D]. 叶浪.东南大学 2015
[6]基于深度学习的人脸识别研究[D]. 林妙真.大连理工大学 2013
本文编号：3297116
【文章来源】：辽宁工程技术大学辽宁省
【文章页数】：78 页
【学位级别】：硕士
【部分图文】：
人脸识别原理框图
辽宁工程技术大学硕士学位论文111.SAE自编码网络模型拥有三层神经网络，输出重构层、隐藏层以及数据输入层这三层构成了自编码网络，自编码网络学习方式采用无监督学习，图2.2是其模型图。图2.2自编码网络模型Figure2.2Self-codingnetworkmodel编码与解码是组成SAE的两个部分，网络是先编码再解码，将数据输入到网络，映射到g.函数中，这是编码的过程。解码是编码的逆过程，将输出函数g.的值输入到解码器中，通过过程中网络自调节使得解码值xxhbw,。自编码网络是栈式自编码网络的基本组成单元，它是通过叠加数个自编码网络形成的网络模型，SAE网络模型如图2.3所示：图2.3SAE网络模型Figure2.3SAEnetworkmodelSAE网络因为是由自编码网络叠加而成，所以学习方式跟自编码一样是无监督学习，该网络以这种学习方式逐层训练，这种训练过程有效避免误差积累，能够提取不错的高阶
辽宁工程技术大学硕士学位论文111.SAE自编码网络模型拥有三层神经网络，输出重构层、隐藏层以及数据输入层这三层构成了自编码网络，自编码网络学习方式采用无监督学习，图2.2是其模型图。图2.2自编码网络模型Figure2.2Self-codingnetworkmodel编码与解码是组成SAE的两个部分，网络是先编码再解码，将数据输入到网络，映射到g.函数中，这是编码的过程。解码是编码的逆过程，将输出函数g.的值输入到解码器中，通过过程中网络自调节使得解码值xxhbw,。自编码网络是栈式自编码网络的基本组成单元，它是通过叠加数个自编码网络形成的网络模型，SAE网络模型如图2.3所示：图2.3SAE网络模型Figure2.3SAEnetworkmodelSAE网络因为是由自编码网络叠加而成，所以学习方式跟自编码一样是无监督学习，该网络以这种学习方式逐层训练，这种训练过程有效避免误差积累，能够提取不错的高阶
【参考文献】：
期刊论文
[1]深度学习在图像识别中的应用研究综述[J]. 郑远攀,李广阳,李晔. 计算机工程与应用. 2019(12)
[2]基于深度学习的ARM平台实时人脸识别[J]. 方国康,李俊,王垚儒. 计算机应用. 2019(08)
[3]基于视觉跟踪的实时视频人脸识别[J]. 任梓涵,杨双远. 厦门大学学报(自然科学版). 2018(03)
[4]基于流形结构的人脸民族特征研究[J]. 王存睿,张庆灵,段晓东,王元刚,李泽东. 自动化学报. 2018(01)
[5]基于改进的Fisher准则的多示例学习视频人脸识别算法[J]. 王玉,申铉京,陈海鹏. 自动化学报. 2018(12)
[6]基于深度学习的图像识别处理[J]. 林杰,李如意. 网络安全技术与应用. 2017(11)
[7]基于双重优化的卷积神经网络图像识别算法[J]. 刘万军,梁雪剑,曲海成. 模式识别与人工智能. 2016(09)
[8]基于深度反卷积网络的虹膜定位方法研究[J]. 徐霄,陈阳,张飞云,乔宇. 集成技术. 2016(01)
[9]基于多块局部二值模式特征和人眼定位的人脸检测[J]. 王小玉,张亚洲,陈德运. 仪器仪表学报. 2014(12)
[10]基于K-L变换的人脸自动识别方法[J]. 彭辉,张长水,荣钢,边肇祺. 清华大学学报(自然科学版). 1997(03)
博士论文
[1]基于特征学习的无约束环境下的人脸识别研究[D]. 田雷.北京邮电大学 2018
硕士论文
[1]人脸识别中人脸检测和特征提取算法的研究[D]. 刘胜昔.南京邮电大学 2018
[2]基于稀疏表示与深度学习的人脸识别研究[D]. 温研东.华南理工大学 2016
[3]卷积神经网络在图像分类中的应用研究[D]. 吴正文.电子科技大学 2015
[4]基于卷积神经网络的图像分类方法研究[D]. 谢宝剑.合肥工业大学 2015
[5]基于卷积神经网络的人脸识别研究[D]. 叶浪.东南大学 2015
[6]基于深度学习的人脸识别研究[D]. 林妙真.大连理工大学 2013
本文编号：3297116
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3297116.html
最近更新
教材专著
