面向监控视频、复杂场景的人脸识别算法研究
发布时间:2024-05-23 02:00
近年来,随着深度学习的迅猛发展,计算机视觉领域日趋成熟,其中的热门研究方向人脸识别取得了飞跃式的提升。在测试集上已经达到甚至超过人眼识别水平,诸多的应用产品纷纷落地,如人脸识别闸机、手机人脸解锁、小区刷脸门禁等,并且应用于安全性要求较高的支付场景。虽然在一些测试集上人脸识别算法的识别率很高,但是,面向监控视频、复杂场景的人脸识别技术依然有较大的提升空间。在自由场景下,人脸识别技术面临着光照、姿态变化、分辨率低以及遮挡等问题。丰富训练数据集样本的多样性是提高人脸识别模型鲁棒性的一个解决方案。本文采用ResNet框架,使用清理和融合后的大规模数据集进行模型训练,在通用测试集BLUFR、YTF、LFW等进行测试。主要做出了以下工作:首先,针对人脸数据集含有噪声以及样本不够丰富的问题,本文提出了基于最大生成树的人脸数据库清理和融合方法,在同一个类别中两两计算相似度,剔除平均相似度小于阈值的噪音图片。计算人脸的偏转角度,基于平均相似度和偏转角度选定每个类别的基准人脸图片来解决人脸框选择决策造成的数据库的噪声问题。为了保证训练集中样本的权重相同,剔除相同的人脸图片,仅保留其中的一张。最后将去重和去...
【文章页数】:62 页
【学位级别】:硕士
【文章目录】:
摘要
abstract
第1章 绪论
1.1 研究背景与研究意义
1.2 国内外研究现状
1.2.1 人脸识别技术的发展过程
1.2.2 人脸识别技术的研究热点
1.2.3 主要存在的问题
1.3 本文主要研究内容及组织结构
第2章 基于深度学习的人脸识别方法概述
2.1 神经网络与深度学习
2.1.1 误差反向传播算法
2.1.2 浅层学习与深度学习
2.2 卷积神经网络结构
2.3 损失函数
2.4 本章小结
第3章 数据库清理及融合
3.1 人脸识别流程
3.2 人脸识别测试数据集及评价标准
3.2.1 人脸识别测试数据集
3.2.2 人脸识别评价标准
3.3 人脸数据库的清理和融合
3.4 实验设计与结果分析
3.4.1 实验设置
3.4.2 数据集清理实验
3.4.3 数据集融合实验
3.5 本章小结
第4章 复杂场景下的人脸识别算法研究
4.1 分支网络结构设计
4.2 Center Angular Softmax Loss损失函数
4.2.1 Angular Softmax Loss
4.2.2 Center Angular Softmax Loss
4.3 实验设计与结果分析
4.3.1 损失函数曲线对比分析
4.3.2 算法性能比较
4.4 本章小结
第5章 面向监控视频的人脸识别系统
5.1 系统总体设计
5.2 系统开发环境
5.3 系统功能模块的实现与测试
5.3.1 视频流图像获取
5.3.2 人脸检测
5.3.3 人脸归一化
5.3.4 人脸识别
5.4 系统集成测试
5.5 本章小结
总结与展望
本文工作总结
未来工作展望
致谢
参考文献
攻读硕士学位期间发表的专利及成果
本文编号:3980841
【文章页数】:62 页
【学位级别】:硕士
【文章目录】:
摘要
abstract
第1章 绪论
1.1 研究背景与研究意义
1.2 国内外研究现状
1.2.1 人脸识别技术的发展过程
1.2.2 人脸识别技术的研究热点
1.2.3 主要存在的问题
1.3 本文主要研究内容及组织结构
第2章 基于深度学习的人脸识别方法概述
2.1 神经网络与深度学习
2.1.1 误差反向传播算法
2.1.2 浅层学习与深度学习
2.2 卷积神经网络结构
2.3 损失函数
2.4 本章小结
第3章 数据库清理及融合
3.1 人脸识别流程
3.2 人脸识别测试数据集及评价标准
3.2.1 人脸识别测试数据集
3.2.2 人脸识别评价标准
3.3 人脸数据库的清理和融合
3.4 实验设计与结果分析
3.4.1 实验设置
3.4.2 数据集清理实验
3.4.3 数据集融合实验
3.5 本章小结
第4章 复杂场景下的人脸识别算法研究
4.1 分支网络结构设计
4.2 Center Angular Softmax Loss损失函数
4.2.1 Angular Softmax Loss
4.2.2 Center Angular Softmax Loss
4.3 实验设计与结果分析
4.3.1 损失函数曲线对比分析
4.3.2 算法性能比较
4.4 本章小结
第5章 面向监控视频的人脸识别系统
5.1 系统总体设计
5.2 系统开发环境
5.3 系统功能模块的实现与测试
5.3.1 视频流图像获取
5.3.2 人脸检测
5.3.3 人脸归一化
5.3.4 人脸识别
5.4 系统集成测试
5.5 本章小结
总结与展望
本文工作总结
未来工作展望
致谢
参考文献
攻读硕士学位期间发表的专利及成果
本文编号:3980841
本文链接:https://www.wllwen.com/kejilunwen/shengwushengchang/3980841.html
最近更新
教材专著