基于卷积神经网络的人脸识别方法研究

发布时间：2020-03-30 10:42

【摘要】：人脸识别技术是计算机视觉领域中的一个热门研究课题,该技术已经被应用到刑事侦查、金融服务、考勤系统等领域,发挥着十分重要的作用。目前人脸识别技术在抗干扰,识别速度等方面依然面临着挑战,卷积神经网络(CNN)作为深度学习的代表方法之一,其在图像处理领域已体现出巨大的优势。本文对采用卷积神经网络的人脸识别方法进行了研究。首先论文分析了采用级联的卷积神经网络(MTCNN)进行人脸检测的方法,经过对网络进行训练,得到了能够实现人脸检测的级联网络,并采用该网络提取出人脸识别时所用的人脸图像。为了降低人脸识别网络的运算量,改善图像的质量,对提取出的人脸样本分别进行了图像灰度化处理、图像直方图均衡处理、图像归一化处理。为了研究影响卷积神经网络性能的因素,本文利用TensorFlow深度学习框架搭建了基于LeNet-5模型的人脸识别网络模型,采用CASIA-FaceV5人脸数据库进行网络的训练与学习,对网络初始化方法、卷积核大小、激活函数进行了研究,通过实验得到采用he初始化方式结合elu激活函数,同时采用7×7大小的卷积核能提高网络的收敛速度和识别率,将实验得到的优化参数应用到网络中,优化后的网络在CASIA-FaceV5人脸数据库上的识别率能够达到99.5%。最后论文在卷积神经网络的基础上研究了卷积神经网络联合长短期神经网络(CNN-LSTM)的人脸识别方法。分别采用CASIA-FaceV5和AR两个人脸数据集进行网络的训练和测试,结果表明,采用基于CNN-LSTM的人脸识别方法与采用CNN的人脸识别方法相比,前者能够提高网络的收敛速度,减少网络的训练时间,同时在AR人脸数据库上识别率高达99.8%,方法具有可行性。
【图文】：

函数曲线图,训练效率,双曲正切函数,梯时

图 2.2 sigmoid 函数曲线图上可以看出当函数输出值接近 0 或 1 时，函数梯时，会出现梯度弥散，，权值无法更新的问题。同时输出值范围不以 0 为中心，采用该函数作为激活，训练效率低。因此在设计网络时，较少采用该双曲正切函数其表达式如式（2.18）所示：3 所示：( )( )( )sinhtanhcoshx xx xxe exx e e---= =+tanh( x)x

函数曲线图,训练效率,双曲正切函数,梯时

图 2.2 sigmoid 函数曲线图上可以看出当函数输出值接近 0 或 1 时，函数梯时，会出现梯度弥散，权值无法更新的问题。同时函输出值范围不以 0 为中心，采用该函数作为激活，训练效率低。因此在设计网络时，较少采用该函双曲正切函数其表达式如式（2.18）所示：3 所示：x( )( )( )sinhtanhcoshx xx xxe exx e e---= =+tanh( x)
【学位授予单位】：西安科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP391.41;TP183

【参考文献】