联合局部与全局深度特征的单样本人脸识别研究

发布时间：2025-03-31 22:00

　　随着社会的进步和科技的飞速发展,人脸识别已经广泛应用于日常生活。但是人脸识别系统大多是基于多样本训练的,即每个人有足够的样本作为训练,以便为训练过程提供了丰富的特征信息去应对测试数据的变化。然而存在着一些特殊场景,如法律实施、身份证验证和护照验证等往往只能得到一张训练图像,训练时可用的信息非常有限,导致识别阶段效果不如人意,衍生出单样本人脸识别问题。现阶段单样本人脸识别仍然面临着诸多问题和挑战,一方面,传统的单样本人脸识别方法往往忽略了探索更具有鉴别性的特征,而现阶段基于深度学习的方法也未见很好地运用于单样本人脸识别问题;另一方面,标准样本集的先验信息往往被忽略,大多数情况下只用于识别阶段,未能有效地在训练阶段被利用。为了更好的解决这些问题,在单样本人脸识别研究现状的基础上,本毕业论文重点在两个方向上对该课题展开研究。首先,在人脸特征提取阶段,为了得到更具鉴别性的特征,本毕业论文提出一个基于深度学习的区域联合自适应卷积网络。该网络在深度学习具备良好特征提取性能的基础上,通过在网络内部将特征图密集采样分块,将人脸的局部信息进行深度挖掘,并将所有的局部特征联合生成全局特征,从而充分挖掘了人脸...

【文章页数】：76 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 研究背景及意义
        1.1.1 研究背景
        1.1.2 研究意义
    1.2 国内外研究现状
        1.2.1 单样本人脸识别的研究现状
        1.2.2 存在的问题与挑战
    1.3 研究内容与章节安排
        1.3.1 研究内容
        1.3.2 章节安排
第2章 单样本人脸识别的相关方法
    2.1 引言
    2.2 图像增强法
    2.3 样本扩充法
    2.4 三维重建法
    2.5 通用学习法
    2.6 深度特征法
    2.7 本章小结
第3章 融合局部全局深度特征的单样本人脸识别
    3.1 引言
    3.2 模型框架
        3.2.1 局部全局联合的区域自适应卷积学习(RACF)
        3.2.2 类级联合表示(CJR)
    3.3 优化CJR-RACF
        3.3.1 RACF的优化
        3.3.2 CJR优化
    3.4 实验结果及分析
        3.4.1 实验设置
        3.4.2 CMU Mutil-PIE数据库
        3.4.3 LFW人脸数据库
        3.4.4 Megaface人脸数据集
        3.4.5 时间复杂度分析
    3.5消融实验
        3.5.1 网络结构的探索
        3.5.2 分类器设置的影响
    3.6 错例分析
    3.7 本章小结
第4章 引入标准样本信息的单样本人脸识别
    4.1 引言
    4.2 基于虚拟样本的单样本人脸识别
        4.2.1 利用相似性扩充
        4.2.2 利用生成对抗网络扩充
        4.2.3 基于微调的信息引入
    4.3 基于权重的单样本人脸识别
        4.3.1 基于嵌入权重的中心损失函数
        4.3.2 权重的计算
        4.3.3 RACFw的优化
        4.3.4 注意力机制调整分块权重
    4.4 实验结果及分析
        4.4.1 实验设置
        4.4.2 CMU Mutil-PIE数据库
        4.4.3 LFW人脸数据库
        4.4.4 Megaface人脸数据集
    4.5 讨论
        4.5.1 权重嵌入的参数选择
        4.5.2 权重嵌入的有效性
    4.6 错例分析
    4.7 本章小结
第5章 总结与展望
    5.1 本文的主要工作和创新点
    5.2 未来的工作展望
参考文献
致谢
攻读硕士学位期间研究成果



本文编号：4038474