基于迁移学习的人脸特征提取与定位算法研究

发布时间：2021-09-03 00:41

　　人脸特征提取与定位是计算机视觉中的经典问题之一,是解决很多人脸相关问题的基础,准确的人脸特征点定位结果对视觉任务如:人脸识别、3D人脸重建、人脸表情分析、人脸姿态估计等具有非常重要的意义。近年来,人脸特征点定位研究取得了巨大进步,约束人脸的特征点定位精度已经能满足实际应用需求,而非约束人脸图像（即人脸图像存在姿态、表情、遮挡、照明、年纪和化妆等变化）的特征点定位仍存在定位不准确、精度低等问题。本文主要研究基于迁移学习的人脸特征提取与定位算法,该算法针对两种非约束人脸（即:稀疏人脸和稠密人脸）的表述,设计了一种基于深度卷积神经网络的人脸特征提取与定位算法,实现了稀疏人脸特征点定位,并将其迁移学习至局部二进制特征（LBF:Local Binary Feature）的方法中,进一步解决了稠密人脸的特征提取与定位问题。本文重点完成了以下的工作:（1）设计了一种基于深度卷积神经网络的人脸特征提取与定位算法,完成了稀疏人脸特征提取和定位。利用深度卷积神经网络构建了一个三层级联的CNN网络结构,使用ReLU激活函数在同一网络结构下具有更加快速的收敛。该方法其应用于稀疏人脸特征点定位中,选用在人脸图像... 

【文章来源】：成都理工大学四川省

【文章页数】：74 页

【学位级别】：硕士

【部分图文】：

论文研究技术路线图

像的卷积过程如图 2-1 所示。 (∑∑( )) ( )1 中， 代表的是一个大小为 × 的二维输入向量

的卷积核，b 为偏置， (π)是激活函数， 是卷积计算以后获得的特卷积层中因为有卷积核的存在，在对图像进行卷积操作提取特征中，能少参数的数量，且卷积层还具有参数共享的特性，同一个特征映射中的常使用相同的卷积核对输入数据做卷积，这再次减少了模型参数量。全与卷积方式的直管区别如图 2-2 所示。


本文编号：3380052