基于深度学习的动态人脸识别方法研究

发布时间：2022-01-14 23:18

　　随着人民生活水平的显著提高和对美好安全工作和生活环境越来越强烈的需求,视频中动态人脸识别技术受到社会各界的广泛研究和高度关注。由于视频数据中存在着对人脸识别不利的图像,如光照变化、姿态变化、遮挡和图像模糊等原因造成的图像,因此,动态人脸识别成果还处于初级阶段,特别是识别鲁棒性比较糟糕,无法满足实际应用要求。动态人脸识别与静态人脸识别相比具有更高的理论研究意义和实际应用价值。幸运的是,伴随着即将到来的人工智能时代,先进的深度学习技术为解决视频中动态人脸识别问题提供了新的解决方法。本文针对动态人脸识别鲁棒性差的问题提出了一种视频监控环境下动态人脸识别的方法。主要工作及贡献如下:（1）本文方法灵感来自最近一些深度学习技术的启发,设计出一种同时回归和分类的循环网络（Simultaneously Regression and Classification Recurrent Network,SRCRNet）。SRCR-Net结合了迁移学习、多任务学习、增强学习和循环神经网络的优点。采用迁移学习的策略可以减少模型的训练收敛的时间;多任务学习能同时跟踪人脸目标和识别人脸类别,有助于提高动态人脸识别的... 

【文章来源】：广东工业大学广东省

【文章页数】：66 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 国外研究现状
        1.2.2 国内研究现状
        1.2.3 动态人脸识别遇到的挑战
    1.3 论文的主要工作和组织结构
        1.3.1 论文的主要工作
        1.3.2 论文的组织结构
第二章 深度学习与人脸识别方法概述
    2.1 深度学习概述
        2.1.1 深度学习简介
        2.1.2 卷积神经网络
    2.2 人脸识别方法概述
        2.2.1 动态人脸识别方法简介
        2.2.2 基于深度学习的人脸识别方法简介
    2.3 深度学习框架Tensorflow
        2.3.1 TensorFlow的简介
        2.3.2 TensorFlow的特征
        2.3.3 TensorFlow的数据流图
    2.4 本章小结
第三章 人脸图像检测与预处理
    3.1 人脸检测
        3.1.1 Adaboost检测方法
        3.1.2 基于Adaboost人脸检测的改进方法
    3.2 人脸预处理
        3.2.1 人脸裁剪和人脸对齐
        3.2.2 人脸增强
    3.3 本章总结
第四章 同时回归和分类循环网络
    4.1 方法概述
    4.2 SRCR-Net的模型结构
        4.2.1 输入与输出
        4.2.2 VGG层
        4.2.3 跟踪层
        4.2.4 增强层
        4.2.5 LSTM层
    4.3 SRCR-Net的人脸跟踪与识别算法
        4.3.1 人脸跟踪算法
        4.3.2 人脸识别算法
    4.4 本章总结
第五章 实验设计与结果分析
    5.1 实验数据集
        5.1.1 YTF Dataset
        5.1.2 LF Dataset
        5.1.3 数据增强
    5.2 评估标准
    5.3 实验操作细节
    5.4 实验结果分析
        5.4.1 在YTF数据集的结果分析
        5.4.2 在LF数据集的结果分析
    5.5 本章总结
总结与展望
参考文献
攻读学位期间所获得的科研成果
致谢


【参考文献】：
期刊论文
[1]基于深度学习的人脸识别方法研究综述[J]. 杨巨成,刘娜,房珊珊,谢迎.  天津科技大学学报. 2016(06)
[2]人脸识别技术综述[J]. 张翠平,苏光大.  中国图象图形学报. 2000(11)

博士论文
[1]人脸识别中若干关键问题的研究[D]. 山世光.中国科学院研究生院（计算技术研究所） 2004



本文编号：3589412