基于改进CNN的人脸实名登记系统的研究与设计
发布时间:2021-07-20 07:01
随着我国经济社会的不断发展,越来越多的流动人口涌入城市就业、工作和居住,城市活力不断增强,同时也给社会治安管理造成了负担。如果流动人口得不到有效的监控和管理,会成为滋生违法犯罪的温床。旅馆和网吧是流动人口活动频繁的区域,也容易成为犯罪分子的藏匿场所,公安部门依法落实场所实名制登记制度,有助于加强社会治安管理和打击犯罪。但目前,少量网吧和旅馆的经营者由于利益驱动,不能认真落实身份证实名登记,存在冒用,借用和一卡多用的问题。个人身份信息的缺失将会造成管理失控,无法与逃犯数据库实现有效碰撞比对,存在相当大的治安风险,而仅仅依赖公安干警的巡查,会给警力造成严重负担。随着深度学习的迅猛发展,基于卷积神经网络(CNN)的人脸识别系统,因其高准确性、鲁棒性和便捷性的特点,在公共安全和金融支付等领域得到广泛的应用。在实名制登记的场景中,最突出的需求是比对现场人脸照片和身份证中电子照的一致性,但两者之间普遍存在的年龄变化,像素质量、发型光照的巨大差异,给人脸验证系统的准确性带来了严重挑战。在这种前提下,研究改进CNN以提高准确率的方法,探索人脸识别在实名登记中的应用,对依法有效落实场所实名制登记制度具有...
【文章来源】:湖北工业大学湖北省
【文章页数】:47 页
【学位级别】:硕士
【文章目录】:
摘要
Abstract
第1章 引言
1.1 课题背景与意义
1.2 国内外研究现状
1.2.1 人脸检测研究现状
1.2.2 人脸识别研究现状
1.3 主要工作及创新点
1.4 论文组织和结构
第2章 人脸识别相关算法
2.1 深度卷积神经网络
2.1.1 卷积神经网络
2.1.2 梯度下降算法
2.1.3 反向传播算法
2.2 MTCNN检测器
2.3 人脸仿射对齐
第3章 卷积神经网络及改进
3.1 基础分类模型
3.2 通道池化
3.2.1 普通池化
3.2.2 通道池化
3.3 余弦损失函数
3.3.1 Softmax损失函数
3.3.2 余弦损失函数
3.4 特征融合与降维
3.4.1 镜像融合
3.4.2 PCA降维
3.5 实验设置与细节
3.5.1 实验环境与训练数据
3.5.2 数据清洗与模型训练
3.5.3 性能评估方法
3.5.4 实验结果分析
第4章 身份证人脸验证系统
4.1 系统设计
4.1.1 系统软硬件环境
4.1.2 系统逻辑流程图
4.2 功能测试展示
4.2.1 登记成功截图
4.2.2 登记成功截图
第5章 总结与展望
参考文献
致谢
【参考文献】:
期刊论文
[1]机器学习:现在与未来[J]. 王威廉. 科技导报. 2016(07)
[2]卷积神经网络分类模型在模式识别中的新进展[J]. 胡正平,陈俊岭,王蒙,赵淑欢. 燕山大学学报. 2015(04)
[3]图像物体分类与检测算法综述[J]. 黄凯奇,任伟强,谭铁牛. 计算机学报. 2014(06)
[4]基于深度网络的图像处理的研究[J]. 朱明,武妍. 电子技术与软件工程. 2014(05)
[5]深度学习的昨天、今天和明天[J]. 余凯,贾磊,陈雨强,徐伟. 计算机研究与发展. 2013(09)
[6]深度学习研究综述[J]. 孙志军,薛磊,许阳明,王正. 计算机应用研究. 2012(08)
[7]采用LBP金字塔的人脸描述与识别[J]. 王玮,黄非非,李见为,冯海亮. 计算机辅助设计与图形学学报. 2009(01)
[8]一种新颖的核学习算法用于小波特征的人脸识别[J]. 周晓飞,姜文瀚,杨静宇. 计算机科学. 2007(05)
[9]基于离散度准则的人脸局部特征权值学习算法[J]. 李云峰,欧宗瑛. 哈尔滨工业大学学报. 2006(09)
[10]基于Gabor小波和二维主元分析的人脸识别[J]. 马晓燕,杨国胜,范秋凤,王应军. 计算机工程与应用. 2006(10)
本文编号:3292377
【文章来源】:湖北工业大学湖北省
【文章页数】:47 页
【学位级别】:硕士
【文章目录】:
摘要
Abstract
第1章 引言
1.1 课题背景与意义
1.2 国内外研究现状
1.2.1 人脸检测研究现状
1.2.2 人脸识别研究现状
1.3 主要工作及创新点
1.4 论文组织和结构
第2章 人脸识别相关算法
2.1 深度卷积神经网络
2.1.1 卷积神经网络
2.1.2 梯度下降算法
2.1.3 反向传播算法
2.2 MTCNN检测器
2.3 人脸仿射对齐
第3章 卷积神经网络及改进
3.1 基础分类模型
3.2 通道池化
3.2.1 普通池化
3.2.2 通道池化
3.3 余弦损失函数
3.3.1 Softmax损失函数
3.3.2 余弦损失函数
3.4 特征融合与降维
3.4.1 镜像融合
3.4.2 PCA降维
3.5 实验设置与细节
3.5.1 实验环境与训练数据
3.5.2 数据清洗与模型训练
3.5.3 性能评估方法
3.5.4 实验结果分析
第4章 身份证人脸验证系统
4.1 系统设计
4.1.1 系统软硬件环境
4.1.2 系统逻辑流程图
4.2 功能测试展示
4.2.1 登记成功截图
4.2.2 登记成功截图
第5章 总结与展望
参考文献
致谢
【参考文献】:
期刊论文
[1]机器学习:现在与未来[J]. 王威廉. 科技导报. 2016(07)
[2]卷积神经网络分类模型在模式识别中的新进展[J]. 胡正平,陈俊岭,王蒙,赵淑欢. 燕山大学学报. 2015(04)
[3]图像物体分类与检测算法综述[J]. 黄凯奇,任伟强,谭铁牛. 计算机学报. 2014(06)
[4]基于深度网络的图像处理的研究[J]. 朱明,武妍. 电子技术与软件工程. 2014(05)
[5]深度学习的昨天、今天和明天[J]. 余凯,贾磊,陈雨强,徐伟. 计算机研究与发展. 2013(09)
[6]深度学习研究综述[J]. 孙志军,薛磊,许阳明,王正. 计算机应用研究. 2012(08)
[7]采用LBP金字塔的人脸描述与识别[J]. 王玮,黄非非,李见为,冯海亮. 计算机辅助设计与图形学学报. 2009(01)
[8]一种新颖的核学习算法用于小波特征的人脸识别[J]. 周晓飞,姜文瀚,杨静宇. 计算机科学. 2007(05)
[9]基于离散度准则的人脸局部特征权值学习算法[J]. 李云峰,欧宗瑛. 哈尔滨工业大学学报. 2006(09)
[10]基于Gabor小波和二维主元分析的人脸识别[J]. 马晓燕,杨国胜,范秋凤,王应军. 计算机工程与应用. 2006(10)
本文编号:3292377
本文链接:https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3292377.html