当前位置:主页 > 科技论文 > 自动化论文 >

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】:

基于迁移学习的人脸特征提取与定位算法研究


论文研究技术路线图

示意图,卷积,二维输入,图像


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

卷积,全连接,方式,卷积核


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

资料下载
论文发表

本文链接:https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3380052.html


Copyright(c)文论论文网All Rights Reserved | 网站地图 |

版权申明:资料由用户3c38a***提供,本站仅收录摘要或目录,作者需要删除请E-mail邮箱bigeng88@qq.com