基于机器学习的人脸识别研究

发布时间：2021-10-31 22:43

　　机器学习专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,为包括人脸识别领域的人工智能的发展做出了极大的贡献。本文探索如何应用机器学习中的一些技术,使计算机更好地完成人脸识别领域中的人脸检测和人脸验证。在人脸检测方面,针对如何快速、准确地检出人脸的问题,提出了一种使用特征融合的卷积神经网络。首先快速提取图像的梯度方向直方图（HOG）,然后使用能快速对多种物体进行检测的卷积神经网络YOLO提取图像特征,最后将YOLO提取出的特征与HOG进行融合,并将融合后的特征作为特征图。在训练过程中,引入了多任务学习和复杂样本处理,使本文提出的卷积神经网络能够进行目标定位与分类,并提高训练效果。随后为进一步提高算法的性能,对学习器进行了改进,使用随机森林替换全连接层。在通用的人脸检测数据集FDDB进行的实验分析,证实了上述方法可大幅提高检测人脸的性能。在人脸验证任务中,为准确地对人脸图像进行身份验证,本文同样应用了使用特征融合的卷积神经网络,并在损失函数方面进行了修改。根据最邻近算法的思想,本文使用了三元损失函数,令人脸图片之间的相似度能被更好地量化,从而提高人脸验证的准确率。为了在使... 

【文章来源】：海南大学海南省 211工程院校

【文章页数】：45 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 课题研究背景
    1.2 课题研究现状
    1.3 主要研究工作
    1.4 论文结构安排
2 人脸识别系统关键技术
    2.1 人工神经网络
        2.1.1 神经元模型
        2.1.2 多层网络与反向传播算法
        2.1.3 深度学习
    2.2 手工特征提取
        2.2.1 边缘检测
        2.2.2 关键点提取
    2.3 机器学习的常用方法
        2.3.1 监督学习
        2.3.2 集成学习
    2.4 本章小结
3 人脸检测算法
    3.1 基于神经网络的的人脸检测算法
        3.1.1 特征提取与特征融合
        3.1.2 多任务学习与复杂样本处理
        3.1.3 判别标准
        3.1.4 用随机森林替换全连接层
    3.2 实验与结果
        3.2.1 数据集介绍
        3.2.2 实验过程
        3.2.3 实验结果
    3.3 本章小结
4 人脸验证算法
    4.1 基于三元损失函数的人脸验证算法
        4.1.1 算法总体结构
        4.1.2 三元损失函数
        4.1.3 生成三元组
    4.2 实验与结果
        4.2.1 数据集介绍
        4.2.2 实验过程
        4.2.3 实验结果
    4.3 本章小结
5 总结与展望
参考文献
硕士期间发表论文与获奖情况
致谢


【参考文献】：
期刊论文
[1]基于卷积神经网络的快速人脸检测算法[J]. 陈益民,白勇,黎传琛.  海南大学学报(自然科学版). 2018(04)
[2]基于主成分分析和对数几率回归的硬件木马检测[J]. 张金玲,吕蕾.  计算机工程与科学. 2018(07)
[3]融合YCbCr肤色模型与改进的Adaboost算法的人脸检测[J]. 崔鹏,燕天天.  哈尔滨理工大学学报. 2018(02)
[4]一种基于改进LBP特征的人脸检测方法[J]. 陶西浩,万定生,杨志勇.  信息技术. 2018(02)
[5]基于SIFT和SURF的岩石铸体薄片图像特征匹配[J]. 程国建,赵媛,强新建,魏新善.  电脑知识与技术. 2017(06)
[6]基于SVM和HOG的人脸检测算法[J]. 赵峰.  信息技术与信息化. 2013(06)
[7]基于尺度不变特征变换和SVM的人脸检测算法[J]. 赵骥,吴金龙,艾青.  计算机应用与软件. 2013(07)

博士论文
[1]基于特征子空间的跨视角步态识别研究[D]. 徐万江.苏州大学 2017

硕士论文
[1]基于深度学习的软件缺陷预测方法研究与应用[D]. 薛参观.南京航空航天大学 2018
[2]基于稀疏表示的人脸识别算法研究[D]. 朱伟冬.苏州大学 2011



本文编号：3468999