基于深度残差网络的人脸识别算法研究
发布时间：2021-09-05 16:02
近几年,人工智能技术飞速发展,使之在很多领域中加以运用。机器快速检测并识别目标的问题,一直是机器视觉领域的热点。具有唯一性的人脸是最自然的身份识别方式,人脸识别相对于其他识别方法的优点是方便快捷,安全性高,易于实现和安装。目前已在门禁系统、摄像系统、考勤系统和金融系统等领域得到了广泛的应用。传统的人脸识别算法采用的是针对人脸的特征点之间的距离或者基于人脸的子空间模型,通过输入图像与训练好的特征做比对,能够达到很好的效果。但当受到外界干扰,比如遮光逆光、脸部姿态角度、带有帽子眼睛口罩等遮挡物时,严重的影响了识别精度。因此,寻找一种方法识别率更高,鲁棒性更强的识别算法具有重要的意义。本文在经典人脸识别算法的基础上,提出了一种将传统的特征提取与深度学习相结合的人脸识别算法。针对局部二值模式（Local Binary Patterns,LBP）算子提取的特征信息局限以及不能准确描述图像轮廓信息的问题,使用梯度方向直方图（Histogram of oriented gradient,HOG）和LBP分层特征融合的方法在卷积神经网络中对训练集进行特征提取,再将匹配提取的特征图像输入改进的卷积神经网...
【文章来源】：内蒙古科技大学内蒙古自治区
【文章页数】：45 页
【学位级别】：硕士
【部分图文】：
数据库人脸部分图像
图 2.2LFW 数据库人脸部分彩色图像2.2典型的神经网络2.2.1 人工神经网络（ANN）人工神经网络（Artificial Neural Network,ANN）的概念在20 世纪80 年代被提出来，在人工智能领域得到了蓬勃的发展，该网络是生物神经网络基本特性的抽象和模拟。由于梯度弥散的问题无法得到有效的解决，因此神经网络的发展也陷入了一个停滞期，一直到Hinton 提出了深度学习的概念，才使得神经网络重新焕发了生机[10]。随着人们对仿生学的研究越来越深入，人们就设想将生物的大量神经细胞模拟复杂的神经网络，类似于生物的信号激励原理，构建神经元的型号处理模型如图2.3 所示。神经元的输入信号可以由另一个神经元的输出信号得到，以此循环往复，就像大脑一样，不断调节信号的输入与输出达到学习的目的。训练的集合是通过神经网络来回修正输入连接上的权值得到，所以权值的调节也就是网络学习训练的过程。初始化会给与网络一
随着人们对仿生学的研究越来越深入，人们就设想将生物的大量神经细胞模拟复杂的神经网络，类似于生物的信号激励原理，构建神经元的型号处理模型如图2.3 所示。神经元的输入信号可以由另一个神经元的输出信号得到，以此循环往复，就像大脑一样，不断调节信号的输入与输出达到学习的目的。训练的集合是通过神经网络来回修正输入连接上的权值得到，所以权值的调节也就是网络学习训练的过程。初始化会给与网络一个特定的权值，然后经过网络的学习机制来修正权值，减小网络的训练误差，一次次的训练与迭代调整权值，使得训练样本输出越来越接近目标输入。图2.3 生物神经元信号激励原理
【参考文献】：
期刊论文
[1]基于深度残差网络的行人人脸识别算法研究[J]. 易锋,胡馨莹. 电脑知识与技术. 2018(23)
[2]基于局部二值特征与深度学习的人脸识别[J]. 李腾,张宝华. 内蒙古科技大学学报. 2018(02)
[3]基于深度卷积神经网络的红外过采样扫描图像点目标检测方法[J]. 林两魁,王少游,唐忠兴. 红外与毫米波学报. 2018(02)
[4]克服浮躁、深入场景、面向实战 期待2018年人脸识别的规模化应用——暨2017年安防人脸识别技术、设备、应用盘点[J]. 王海增. 中国安防. 2018(Z1)
[5]基于并行深度残差网络的堆场烟雾检测方法[J]. 王正来,黄敏,朱启兵,蒋胜. 激光与光电子学进展. 2018(05)
[6]基于卷积神经网络的深度图超分辨率重建[J]. 李素梅,雷国庆,范如. 光学学报. 2017(12)
[7]基于深度卷积网络算法的人脸识别方法研究[J]. 龙海强,谭台哲. 计算机仿真. 2017(01)
[8]不同池化模型的卷积神经网络学习性能研究[J]. 刘万军,梁雪剑,曲海成. 中国图象图形学报. 2016(09)
[9]基于深层卷积神经网络的单目红外图像深度估计[J]. 许路,赵海涛,孙韶媛. 光学学报. 2016(07)
[10]基于NSCT的红外与可见光图像融合方法研究[J]. 陈木生,蔡植善. 激光与光电子学进展. 2015(06)
硕士论文
[1]基于深度信念网络的人脸识别[D]. 刘天宇.大连海事大学 2017
[2]基于协同学的深度协同神经网络研究与应用[D]. 沈宗辉.电子科技大学 2017
[3]基于深度学习的人脸识别算法[D]. 龙海强.广东工业大学 2016
[4]基于多尺度池化的卷积神经网络人脸识别方法研究[D]. 吴斯.浙江大学 2016
[5]图像匹配算法的研究与应用[D]. 张耀宗.太原理工大学 2010
本文编号：3385651
【文章来源】：内蒙古科技大学内蒙古自治区
【文章页数】：45 页
【学位级别】：硕士
【部分图文】：
数据库人脸部分图像
图 2.2LFW 数据库人脸部分彩色图像2.2典型的神经网络2.2.1 人工神经网络（ANN）人工神经网络（Artificial Neural Network,ANN）的概念在20 世纪80 年代被提出来，在人工智能领域得到了蓬勃的发展，该网络是生物神经网络基本特性的抽象和模拟。由于梯度弥散的问题无法得到有效的解决，因此神经网络的发展也陷入了一个停滞期，一直到Hinton 提出了深度学习的概念，才使得神经网络重新焕发了生机[10]。随着人们对仿生学的研究越来越深入，人们就设想将生物的大量神经细胞模拟复杂的神经网络，类似于生物的信号激励原理，构建神经元的型号处理模型如图2.3 所示。神经元的输入信号可以由另一个神经元的输出信号得到，以此循环往复，就像大脑一样，不断调节信号的输入与输出达到学习的目的。训练的集合是通过神经网络来回修正输入连接上的权值得到，所以权值的调节也就是网络学习训练的过程。初始化会给与网络一
随着人们对仿生学的研究越来越深入，人们就设想将生物的大量神经细胞模拟复杂的神经网络，类似于生物的信号激励原理，构建神经元的型号处理模型如图2.3 所示。神经元的输入信号可以由另一个神经元的输出信号得到，以此循环往复，就像大脑一样，不断调节信号的输入与输出达到学习的目的。训练的集合是通过神经网络来回修正输入连接上的权值得到，所以权值的调节也就是网络学习训练的过程。初始化会给与网络一个特定的权值，然后经过网络的学习机制来修正权值，减小网络的训练误差，一次次的训练与迭代调整权值，使得训练样本输出越来越接近目标输入。图2.3 生物神经元信号激励原理
【参考文献】：
期刊论文
[1]基于深度残差网络的行人人脸识别算法研究[J]. 易锋,胡馨莹. 电脑知识与技术. 2018(23)
[2]基于局部二值特征与深度学习的人脸识别[J]. 李腾,张宝华. 内蒙古科技大学学报. 2018(02)
[3]基于深度卷积神经网络的红外过采样扫描图像点目标检测方法[J]. 林两魁,王少游,唐忠兴. 红外与毫米波学报. 2018(02)
[4]克服浮躁、深入场景、面向实战 期待2018年人脸识别的规模化应用——暨2017年安防人脸识别技术、设备、应用盘点[J]. 王海增. 中国安防. 2018(Z1)
[5]基于并行深度残差网络的堆场烟雾检测方法[J]. 王正来,黄敏,朱启兵,蒋胜. 激光与光电子学进展. 2018(05)
[6]基于卷积神经网络的深度图超分辨率重建[J]. 李素梅,雷国庆,范如. 光学学报. 2017(12)
[7]基于深度卷积网络算法的人脸识别方法研究[J]. 龙海强,谭台哲. 计算机仿真. 2017(01)
[8]不同池化模型的卷积神经网络学习性能研究[J]. 刘万军,梁雪剑,曲海成. 中国图象图形学报. 2016(09)
[9]基于深层卷积神经网络的单目红外图像深度估计[J]. 许路,赵海涛,孙韶媛. 光学学报. 2016(07)
[10]基于NSCT的红外与可见光图像融合方法研究[J]. 陈木生,蔡植善. 激光与光电子学进展. 2015(06)
硕士论文
[1]基于深度信念网络的人脸识别[D]. 刘天宇.大连海事大学 2017
[2]基于协同学的深度协同神经网络研究与应用[D]. 沈宗辉.电子科技大学 2017
[3]基于深度学习的人脸识别算法[D]. 龙海强.广东工业大学 2016
[4]基于多尺度池化的卷积神经网络人脸识别方法研究[D]. 吴斯.浙江大学 2016
[5]图像匹配算法的研究与应用[D]. 张耀宗.太原理工大学 2010
本文编号：3385651
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3385651.html
最近更新
教材专著
