基于深度学习的人脸检测与识别方法研究
发布时间：2022-01-15 06:29
近年来,计算机视觉作为新崛起的领域发展迅速,人脸检测与识别重要的潜在的商业价值、巨大的应用前景和学术价值,使其成为研究的热点和难点,已被广泛应用于人证合一、安检及金融等领域。越来越多的学者、机构和企业都在相关方面相继进行了大量的研究工作。深度学习的高层语义特征使得众多学者将其应用在人脸检测与识别领域中,人脸识别任务在基于深度学习网络上已经有着较高的水平,这已超出了人类在这个特定任务上的水平。但目前人们仍面临由于光照、姿势变化、人脸图像质量、遮挡等问题,无法定位或识别出准确的人脸问题,逐步成为人脸检测与识别的最大障碍。本文在对已有的研究方法与现有问题进行了深入的分析和总结,旨在提取对多尺度和遮挡人脸鲁棒的特征进行人脸检测与识别,主要工作包括以下内容:（1）考虑到人脸的多分辨率问题,本文提出了基于深度学习的多视角人脸特征学习方法,主要使用两个模块的深度学习网络进行人脸特征的训练与学习,一方面使用大视角模块对人脸特征进行粗略学习,另一方面使用小视角模块学习人脸的精细特征,以提高检测精度。首先,利用一个具有大卷积核的网络模块进行人脸特征学习,即粗学习,可以学习到人脸的整个结构并获取人脸位置信息...
【文章来源】：西安电子科技大学陕西省 211工程院校 教育部直属院校
【文章页数】：69 页
【学位级别】：硕士
【部分图文】：
人脑神经元网络深度学习早期的概念是由Hinton教授首次提出来，其提出的两个观点，瞬间得
图2.2神经网络模型示意图中，每个圈代表了一个神经元，“+1”代表了偏置节点，络模型示意图中的 Layer1L 为输入数据的输入层，Lay的输出层只有一个神经元节点），神经网络模型示意图中.2 中的 Layer2L ），主要原因是因为在训练过程中是不能传播算法络中，从原始数据输入开始，通过逐层的计算方式得到最前向传播算法”计算的过程。现在，本文假设ln 表示神经l层，则1L 为神经网络的输入层，神经网络的输出层表示第i个单元的激活值，当 l 1，则 1 i ia x，即原始输入数中有参数 1 1 2 2W , b W , b , W ,b，其中 l ijW 表示第l层第i个单元之间的连接权重参数，也就是权值， l ib 表示第， f 表示为神经网络的激活函数，对于给定的参数集合W最后的输出计算过程如下：
, l li ilib b J W bb （ 为学习率。）卷积神经网络神经网络，一般简写为 CNN，与经典简单的网络差异的地方是 CN和池化层，其中的神经元权值是部分共享，也就是某个神经元与其接。积神经网络的结构中，其实含有多个通道，该通道就是特征图，同元是共享同一个权重值（即卷积核），对 CNN 进行训练，该过程络中最优的权值。神经元共享权值，其优势是直接减少了层与层之间有限情况下，可有效地防止过拟合的情况出现。化（pooling）层中，其可以看作另一种卷积过程，有效降低特征维池化层的联合使用，可以直接减少了模型的计算参数，降低神经网简单的 CNN 结构如图 2.3。
【参考文献】：
期刊论文
[1]Deep learning for natural language processing:advantages and challenges[J]. Hang Li. National Science Review. 2018(01)
[2]Where Does AlphaGo Go: From Church-Turing Thesis to AlphaGo Thesis and Beyond[J]. Fei-Yue Wang,Jun Jason Zhang,Xinhu Zheng,Xiao Wang,Yong Yuan,Xiaoxiao Dai,Jie Zhang,Liuqing Yang. IEEE/CAA Journal of Automatica Sinica. 2016(02)
[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]生物视觉的研究[J]. 刘伟,袁修干. 中国安全科学学报. 2000(06)
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：3590091
【文章来源】：西安电子科技大学陕西省 211工程院校 教育部直属院校
【文章页数】：69 页
【学位级别】：硕士
【部分图文】：
人脑神经元网络深度学习早期的概念是由Hinton教授首次提出来，其提出的两个观点，瞬间得
图2.2神经网络模型示意图中，每个圈代表了一个神经元，“+1”代表了偏置节点，络模型示意图中的 Layer1L 为输入数据的输入层，Lay的输出层只有一个神经元节点），神经网络模型示意图中.2 中的 Layer2L ），主要原因是因为在训练过程中是不能传播算法络中，从原始数据输入开始，通过逐层的计算方式得到最前向传播算法”计算的过程。现在，本文假设ln 表示神经l层，则1L 为神经网络的输入层，神经网络的输出层表示第i个单元的激活值，当 l 1，则 1 i ia x，即原始输入数中有参数 1 1 2 2W , b W , b , W ,b，其中 l ijW 表示第l层第i个单元之间的连接权重参数，也就是权值， l ib 表示第， f 表示为神经网络的激活函数，对于给定的参数集合W最后的输出计算过程如下：
, l li ilib b J W bb （ 为学习率。）卷积神经网络神经网络，一般简写为 CNN，与经典简单的网络差异的地方是 CN和池化层，其中的神经元权值是部分共享，也就是某个神经元与其接。积神经网络的结构中，其实含有多个通道，该通道就是特征图，同元是共享同一个权重值（即卷积核），对 CNN 进行训练，该过程络中最优的权值。神经元共享权值，其优势是直接减少了层与层之间有限情况下，可有效地防止过拟合的情况出现。化（pooling）层中，其可以看作另一种卷积过程，有效降低特征维池化层的联合使用，可以直接减少了模型的计算参数，降低神经网简单的 CNN 结构如图 2.3。
【参考文献】：
期刊论文
[1]Deep learning for natural language processing:advantages and challenges[J]. Hang Li. National Science Review. 2018(01)
[2]Where Does AlphaGo Go: From Church-Turing Thesis to AlphaGo Thesis and Beyond[J]. Fei-Yue Wang,Jun Jason Zhang,Xinhu Zheng,Xiao Wang,Yong Yuan,Xiaoxiao Dai,Jie Zhang,Liuqing Yang. IEEE/CAA Journal of Automatica Sinica. 2016(02)
[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]生物视觉的研究[J]. 刘伟,袁修干. 中国安全科学学报. 2000(06)
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：3590091
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3590091.html
