基于智能眼镜的人脸识别系统研究

发布时间：2021-08-04 11:29

　　随着互联网+时代的发展,智能眼镜被广泛应用于导航、图像捕捉和消息提醒等方面。基于智能眼镜的人脸识别系统可用于协助安保人员、警力或医疗等突发事件的处理。因此,人们对应用在移动端的人脸识别算法提出了更高的要求。人脸识别具有非强制性和非接触性的特点,是一种通过提取人脸特征信息进行身份验证的生物技术。但是,当前先进的人脸识别算法大部分建立在大型的深度卷积神经网络上,甚至通过采用多个神经网络级联的方式来取得较高的识别率,这样的做法带来了数百万的参数和昂贵的计算花费,以致于模型在移动端和嵌入式设备上的部署变得极其困难。为了使模型能够更好地应用在便携的智能眼镜端,本文主要研究神经网络结构在检测速度和识别率方向的优化,从而减小模型参数、提高模型运行效率。首先,在人脸检测模块中,本文将具有代表性的传统人脸检测器的Viola-Jones,和基于深度学习的人脸检测器MTCNN（全称为Multi-Task Cascaded Convolutional Networks）进行了对比实验,实验结果表明MTCNN算法优于传统的Viola-Jones检测器。但是MTCNN网络随着图像增大、人脸增多易产生严重的时延问题... 

【文章来源】：厦门理工学院福建省

【文章页数】：72 页

【学位级别】：硕士

【部分图文】：

图２－１前向传播??８??

３ｖＯ?ＸＣ?０?ｔＣＯ?２００?Ｈｉｔ?４０（；?ＭＭ?０?１ＣＵ?２００?ＳＣＯ?４００?ＸＸ??．．＾．．?—Ｊ１培直方里?，?，?均衡直方图?ｉ??０?〇１〇?（?０?Ｏ＇ｔ?－??ｉ?＊?°?丨’＂１，１”??１?Ｌｍｍ?°－ｗ?＇ｈｉ?Ｉｂ：１１?，??ｕ?４?＝ｌｊ?ｂｈ?ＩＩ??…瀾ＭＷｌ」?ＩＳ！！?ｍＬ??Ｃ?ＳＯ?１００?１Ｓ０?２００?２Ｓ３?０?ＳＯ?１０Ｃ?ＩＳＯ?２００?ａｓｏ??图２－３原始直方图和均衡化直方图??１４??

?厦门理工学院硕士学位论文???计算得到的均值设置为锚点上的像素值。均值滤波如公式（２－１７）所示：??加）＝去?（２－１？）??其中ｇ（ｘ，ｙ）表示均值滤波处理后的像素灰度值，Ｍ表示窗口区域中所包含的像素个??数。该算法的优点在于效率高，思路简单。同样，缺点也很明显，计算均值会将图像中??的边缘信息以及特征信息“模糊”掉，会丢失很多特征，因此不适合于人脸图像预处理。??加入栳盐噪声?中值滤波去除砸盐嗓声均值滤波去除椒＆嗓声??Ｉ！醒圓??加入高斯嗓声?中值滤波去除？斯噪声均鴒滤波去除卨斯嗓声??＿圓＿??图２－４图像去噪对比图??２．３．３几何归一化??人脸图像归一化的目的是使同一个人的照片在不同的成像条件下，能够使光照强??度、人脸尺寸和人脸姿态大致保持一致。人脸几何归一化的目的是对人脸角度位置的校??准，常用于解决由于人脸面部姿势的变化而产生的角度偏差导致图像难以识别的问题。??一般将双眼作为基准进行调整，通过旋转双眼的连线保持水平，解决人脸尺度的变化和??旋转等问题。而对于严格的人脸角度偏差校正则要求使用深度的面部三维模型。??２．４本章小结??本章探讨了研究人脸识别系统所需的相关理论知识。简要介绍了神经网络结构工作??原理，以及各模块的功能。分析了人脸图像输入神经网络结构之前所需的图像预处理经??典方法并通过实验进行验证总结。通过对这些理论基础的研究，才能更好的进行人脸识??别系统设计。??１６??


本文编号：3321615