基于卷积神经网络的特定场景下人脸识别研究

发布时间：2020-06-22 01:18

【摘要】：人脸识别技术作为生物识别的一个重要组成部分,近些年来不管是在人工智能领域还是在其他科学领域中,一直都是研究的热点。在实际应用中,由于受到各种因素的影响能够获取的人脸数据样本有限,甚至在有些情况下只能获得单—的人脸数据样本。针对这一情况本文研究如何在样本数据不足的情况下训练人脸识别模型,然后将训练好的人脸识别模型分别应用到Win dows和Android平台上。本文分别从人脸数据样本和卷积神经网络结构两个方面入手,解决如何在训练样本不足的情况下实现人脸识别。在人脸数据扩充方面,首先构建了ED小样本人脸数据集,此样本中共有90个人的单张人脸数据图像。然后使用数据增强技术、对称脸扩充法、位平面法以及对抗生成网络对小样本人脸数据集进行扩充。最后将扩充后的ED人脸数据集与ORL人脸数据集做对比实验,实验结果表明扩充后的ED人脸数据集在网络训练过程中与ORL人脸数据集表现相当。在网络结构方面,为了构建适合小样本数据集的卷积神经网络模型,本文首先对VGG网络模型进行分析,从模型的参数量和计算量等方面对VGG网络模型进行改进,然后将改进的VGG网络模型与孪生神经网络相结合构建了SVGG网络模型。最后使用扩充后的ED人脸数据集训练SVGG网络模型,并对训练好的网络模型进行分析。实验结果表明,本文构建的SVGG网络在小样本数据集上识别率为92.6%,明显高于孪生神经网络在小样本数据集上的识别率。在人脸识别应用方面,本文使用训练好的SVGG网络模型分别在Windows和Android平台上实现了人脸识别系统。由于Android平台计算能力和内存机制的限制,增加了在Android平台上使用卷积神经网络实现人脸识别的难度。因此,本文将模型的训练过程放在上位机中进行,然后将训练好的模型移植到Android平台上,这样既满足了Android平台的硬件要求,又能保证人脸识别的效率。
【学位授予单位】：西安理工大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP391.41;TP183
【图文】：

示意图,示意图,论文

第六章总结与展望。本章主要对论文的工作进行了总结，并说明了本文还存在哪些不足之处。图1-1 各章关系示意图Fig.1-1 chematic diagram of the relationship between the chapters

示意图,神经元,示意图,权重

可以同时接受多个神经元送来的刺激信号，这些信息经过一系列复杂的计算，最终产生一个确定的兴奋和抑制状态。图2-1 神经元示意图Fig.2-1 Neuron schematic如图 2-1 是单个神经元示意图，其中nx ,x,,x12 为输入数据，nw ,w,w12 为每个树突的权重，b 为神经元的偏置，输出为 (),hxwb。为了体现每个输入数据对输出的影响，给每个输入的数据乘以一个权重，记作iw[27]。为了更好的拟合非线性的问题，最后需要经过一个非线性函数

【相似文献】