面向会议室预订系统的人脸识别算法的设计与优化

发布时间：2021-08-11 14:40

　　智能会议室预订系统可使得会议室具备可远程预约、控制、监控等功能,有效解决传统人工管理方式效率较低的问题。其中,使用高识别准确率的人脸识别技术进行预订者身份认证可保证系统的安全性以及有效性。因此本文面向会议室预订系统,基于已有的深度学习人脸识别算法和网络结构进行改进和优化,实现人脸识别的高识别率和高实时性。本文首先研究并分析了现有的Cosine Loss人脸识别算法,针对该算法必须使用高范数特征向量来使得网络收敛而影响识别准确率的问题,深入分析了特征范数值对训练过程的影响,提出了一种低范数余弦损失（Low Norm Cosine Loss,LNCL）算法,在保证网络收敛的条件下提高了识别率。其中,全连接层动态筛选策略降低了网络损失下界,保证了网络的收敛;低范数特征向量使网络能充分训练,提高了网络的识别准确率。此外,为优化卷积神经网络的性能,改进了ResNet卷积神经网络的参数配置,通过优化网络的全局步长以及采用Elu激活函数,进一步提高了人脸识别的准确率。在此基础上,为了解决算法在会议室预订系统中的实际应用问题,本文在云服务器上对LNCL算法以及优化后的ResNet进行了实现,并优化了系... 

【文章来源】：东南大学江苏省 211工程院校 985工程院校 教育部直属院校

【文章页数】：92 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 人脸识别技术研究现状以及发展趋势
    1.3 本文的设计指标与研究内容
    1.4 论文的组织结构
第二章 基于人脸识别技术的会议室预订系统介绍
    2.1 会议室预订系统整体介绍
        2.1.1 会议室预订系统框架与功能
        2.1.2 会议室预订系统工作流程
    2.2 人脸检测与对齐算法介绍
        2.2.1 SSH人脸检测算法介绍
        2.2.2 人脸对齐算法介绍
    2.3 人脸识别算法介绍
        2.3.1 FaceNet人脸识别算法介绍
        2.3.2 COCO人脸识别算法介绍
    2.4 本章小结
第三章 LNCL算法与网络结构优化
    3.1 Cosine Loss算法原理与分析
    3.2 LNCL算法提出动机
    3.3 LNCL算法原理
        3.3.1 特征向量范数对网络梯度的影响分析
        3.3.2 特征向量范数对网络影响的验证实验
        3.3.3 动态筛选策略
        3.3.4 动态筛选策略验证实验
        3.3.5 LNCL算法流程
    3.4 ResNet网络结构优化
        3.4.1 全局步长改变
        3.4.2 激活函数替换
        3.4.3 网络性能验证实验
    3.5 本章小结
第四章 面向会议室预订系统的人脸识别算法实现
    4.1 算法实现的软硬件环境
        4.1.1 硬件环境介绍
        4.1.2 LNCL算法实现框架选择
    4.2 LNCL算法实现
    4.3 LNCL算法在会议室预订系统中的应用
    4.4 视频传输优化
    4.5 本章小结
第五章 实验与测试
    5.1 人脸识别算法实验与测试
        5.1.1 实验条件以及参数配置
        5.1.2 测试数据集以及测试协议
        5.1.3 实验结果
    5.2 系统响应时间评测
    5.3 复杂场景下系统识别能力评测
    5.4 本章小结
第六章 总结和展望
    6.1 本文工作总结
    6.2 未来研究方向展望
致谢
参考文献
附录
    算法训练部分代码
    系统身份认证功能部分代码
作者攻读硕士学位期间的研究成果


【参考文献】：
期刊论文
[1]基于深度学习的SPD人脸识别算法[J]. 张伊乔,黄丽莲,周赏.  电子技术与软件工程. 2019(11)
[2]基于视频图像的人脸识别与跟踪[J]. 刘俊,王岩,韩为选.  电子技术与软件工程. 2019(11)
[3]基于深度学习的人脸识别跟随六足机器人[J]. 张洋溢,赵茜茜,聂焱.  科技风. 2019(14)
[4]人脸识别的技术分析及项目实践[J]. 李昀,陈建,唐怀坤.  中国电信业. 2019(05)

硕士论文
[1]深度人脸识别算法研究和系统设计[D]. 毛颖.浙江大学 2019



本文编号：3336341