基于深度学习框架的轻量级人脸识别算法研究

发布时间：2022-07-04 20:24

　　得益于独特的物理属性和非接触、非侵占性,人脸识别技术已经成为了最重要的身份识别技术之一,在众多领域都得到了广泛的应用。在人脸识别算法中,如何提取高质量的人脸特征是决定算法性能的关键所在。在深度学习技术兴起之前,主流的人脸识别算法主要依靠专家精心设计的手工特征进行特征提取。手工特征一般针对某些特定场景或需求设计,依赖于这些领域的先验知识,开发成本高昂且应用场景受限。深度学习技术是机器学习领域的热门领域,它旨在通过多层级联的复杂非线性结构直接从样本中学习潜在的模式和表征,从而打破手工特征的限制并实现自动特征提取。近年来,作为深度学习技术的代表之一,卷积神经网络（Convolution Neural Network,CNN）已经成为人脸识别领域的研究热点。随着卷积神经网络模型的深度和性能不断增加,其训练过程中的计算量也在不断增大,以至于大部分高性能模型的训练都依赖于昂贵的专用设备。所以,如何在保持模型性能的情况下实现模型的轻量化和小型化是基于深度学习的人脸识别算法进一步发展和应用的关键。本文以基于深度学习的人脸识别算法为主要研究对象,认真研究它们的算法思想和缺点,分析其缺陷并提出改进算法,从... 

【文章页数】：62 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 课题研究背景及意义
    1.2 人脸识别的发展历程
    1.3 人脸识别算法的研究现状分析
        1.3.1 网络结构的改进
        1.3.2 损失函数的改进
        1.3.3 网络轻量化的改进
    1.4 本文结构安排
第二章 深度学习基础及相关算法
    2.1 深度学习算法基础及常见结构
    2.2 本文相关算法介绍
        2.2.1 基于一范数的主成分分析(L1-PCA)
        2.2.2 基于一范数的二维主成分分析(L1-2DPCA)
        2.2.3 增量主成分分析(CCIPCA)
        2.2.4 主成分分析网络(PCANet)
    2.3 本文使用到的数据集介绍
        2.3.1 EYB人脸数据集
        2.3.2 AR人脸数据集
        2.3.3 FERET人脸数据集
        2.3.4 LFW人脸数据集
        2.3.5 CIFAR-10数据集
        2.3.6 MNIST手写数字数据集
    2.4 本章小结
第三章 L1-2D~2PCANet:一种轻量级深度学习人脸识别网络
    3.1 引言
    3.2 基于一范数的主成分分析网络
        3.2.1 L1-PCANet的训练过程
        3.2.2 L1-PCANet的推理过程
    3.3 基于一范数的双向二维主成分分析网络
        3.3.1 L1-2D~2PCANet的训练过程
        3.3.2 L1-2D~2PCANet的推理过程
    3.4 实验分析和讨论
        3.4.1 Extended Yale B
        3.4.2 AR
        3.4.3 FERET
        3.4.4 Yale
        3.4.5 LFW-A
        3.4.6 实验结果分析及讨论
    3.5 本章小结
第四章 一种基于奇异向量典型相关分析的卷积神经网络模型性能评估新方法
    4.1 引言
    4.2 奇异向量典型相关分析
    4.3 基于奇异向量典型相关分析的卷积神经网络模型性能评估
    4.4 实验分析和讨论
        4.4.1 CIFAR-10
        4.4.2 MNIST
    4.5 本章小结
第五章 IPCANet:一种增量的深度学习人脸识别算法
    5.1 引言
    5.2 双向二维增量主成分分析算法(2D~2IPCA)
    5.3 双向二维增量主成分分析网络
        5.3.1 IPCANet的训练过程
        5.3.2 IPCANet的推理过程
    5.4 实验分析和讨论
        5.4.1 EYB
        5.4.2 FERET
        5.4.3 AR
    5.5 本章小结
主要结论与展望
    主要结论
    展望
致谢
参考文献
附录:作者在攻读硕士学位期间发表的论文


【参考文献】：
期刊论文
[1]基于深度卷积神经网络的人脸识别技术综述[J]. 景晨凯,宋涛,庄雷,刘刚,王乐,刘凯伦.  计算机应用与软件. 2018(01)
[2]卷积神经网络研究综述[J]. 李彦冬,郝宗波,雷航.  计算机应用. 2016(09)
[3]图像理解中的卷积神经网络[J]. 常亮,邓小明,周明全,武仲科,袁野,杨硕,王宏安.  自动化学报. 2016(09)
[4]基于时序特性的自适应增量主成分分析的视觉跟踪[J]. 蔡自兴,彭梦,余伶俐.  电子与信息学报. 2015(11)
[5]基于增量核主成分分析的数据流在线分类框架[J]. 吴枫,仲妍,吴泉源.  自动化学报. 2010(04)
[6]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)



本文编号：3655867