基于CNN的人脸识别及其在嵌入式的应用研究
发布时间：2024-11-30 22:24
人脸识别是一种实用性高且可靠的生物特征识别技术,已广泛应用于日常生活中。随着现如今卷积神经网络(Convolutional Neural Networks,CNN)的兴起,高精度的人脸识别模型不断出现,人脸识别又迎来了一轮新的发展高峰。然而,基于卷积神经网络的人脸识别技术面临一个重要制约因素在于网络生成的模型较大、计算复杂。虽然该种人脸识别技术可以在高配置的电脑中实时运行,但是难以在无图形处理单元(Graphics Processing Unit,GPU)的嵌入式平台中应用。针对上述问题,本文从人脸检测和人脸识别两方面进行研究。在人脸检测方面,设计了基于Lw-YOLO(Lightweight-YOLO)的人脸检测算法。该算法在基础CNN中使用深度可分离卷积替代传统卷积的方法,有效地减少了网络参数量。同时采用多个1*1的点卷积提升通道数,获得更多的特征。通过改进多尺度预测的方法,将三个尺度的预测减少到两个尺度,在减少参数量的情况下保证了网络的识别精度。实验结果表明,训练出的Lw-YOLO网络模型大小只有3.1M,在FDDB数据集上取得77.13%的平均精度,检测速度比较同类型网络更快。在人...
【文章页数】：72 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第1章 绪论
1.1 研究的背景和意义
1.2 国内外研究现状
1.2.1 人脸识别研究现状
1.2.2 卷积神经网络研究现状
1.3 本文的主要研究内容及结构安排
1.3.1 本文主要研究内容
1.3.2 本文结构安排
第2章 卷积神经网络基本理论
2.1 卷积神经网络基础
2.1.1 卷积层
2.1.2 BN层
2.1.3 激活函数
2.1.4 池化层
2.1.5 全连接层
2.1.6 损失函数
2.2 卷积神经网络性能评估指标
2.2.1 重叠度
2.2.2 F1值
2.2.3 平均精确度
2.2.4 AUC
2.2.5 浮点运算数
2.3 本章小结
第3章 基于Lw-YOLO的 CNN人脸检测算法
3.1 YOLOv3-tiny网络
3.1.1 YOLOv3-tiny人脸检测原理
3.1.2 边界框和损失函数
3.1.3 YOLOv3-tiny网络架构
3.1.4 YOLOv3-tiny的局限性
3.2 YOLO-LITE网络
3.2.1 YOLO-LITE人脸检测原理
3.2.2 YOLO-LITE网络架构
3.2.3 YOLO-LITE的局限性
3.3 Lw-YOLO轻量化网络
3.3.1 Lw-YOLO人脸检测网络架构
3.3.2 深度可分离卷积
3.3.3 改进的多尺度预测
3.4 仿真实验与结果分析
3.4.1 人脸数据集
3.4.2 Lw-YOLO网络训练结果分析
3.4.3 Lw-YOLO网络测试结果分析
3.5 本章小结
第4章 基于S-GoogLeNetv3的CNN人脸识别算法
4.1 GoogLeNet的网络
4.1.1 GoogLeNet网络原理
4.1.2 GoogLeNet网络架构
4.1.3 GoogLeNet网络局限性
4.2 S-GoogLeNetv3 网络
4.2.1 S-GoogLeNetv3 网络架构
4.2.2 感受野和卷积核
4.2.3 ArcFace损失函数
4.3 仿真实验与结果分析
4.3.1 人脸数据集
4.3.2 损失函数性能测试
4.3.3 S-GoogLeNetv3 人脸识别测试结果分析
4.4 本章小结
第5章 基于嵌入式的CNN人脸识别应用
5.1 嵌入式硬件平台
5.2 系统软件方案设计
5.2.1 软件环境搭建
5.2.2 软件流程设计
5.2.3 软件界面设计
5.2.4 软件实现
5.3 嵌入式人脸识别系统测试
5.3.1 人脸数据集
5.3.2 人脸识别实验结果分析
5.4 本章小结
第6章 总结与展望
6.1 工作总结
6.2 工作展望
参考文献
攻读硕士学位期间取得的成果
致谢
本文编号：4013104
【文章页数】：72 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第1章 绪论
1.1 研究的背景和意义
1.2 国内外研究现状
1.2.1 人脸识别研究现状
1.2.2 卷积神经网络研究现状
1.3 本文的主要研究内容及结构安排
1.3.1 本文主要研究内容
1.3.2 本文结构安排
第2章 卷积神经网络基本理论
2.1 卷积神经网络基础
2.1.1 卷积层
2.1.2 BN层
2.1.3 激活函数
2.1.4 池化层
2.1.5 全连接层
2.1.6 损失函数
2.2 卷积神经网络性能评估指标
2.2.1 重叠度
2.2.2 F1值
2.2.3 平均精确度
2.2.4 AUC
2.2.5 浮点运算数
2.3 本章小结
第3章 基于Lw-YOLO的 CNN人脸检测算法
3.1 YOLOv3-tiny网络
3.1.1 YOLOv3-tiny人脸检测原理
3.1.2 边界框和损失函数
3.1.3 YOLOv3-tiny网络架构
3.1.4 YOLOv3-tiny的局限性
3.2 YOLO-LITE网络
3.2.1 YOLO-LITE人脸检测原理
3.2.2 YOLO-LITE网络架构
3.2.3 YOLO-LITE的局限性
3.3 Lw-YOLO轻量化网络
3.3.1 Lw-YOLO人脸检测网络架构
3.3.2 深度可分离卷积
3.3.3 改进的多尺度预测
3.4 仿真实验与结果分析
3.4.1 人脸数据集
3.4.2 Lw-YOLO网络训练结果分析
3.4.3 Lw-YOLO网络测试结果分析
3.5 本章小结
第4章 基于S-GoogLeNetv3的CNN人脸识别算法
4.1 GoogLeNet的网络
4.1.1 GoogLeNet网络原理
4.1.2 GoogLeNet网络架构
4.1.3 GoogLeNet网络局限性
4.2 S-GoogLeNetv3 网络
4.2.1 S-GoogLeNetv3 网络架构
4.2.2 感受野和卷积核
4.2.3 ArcFace损失函数
4.3 仿真实验与结果分析
4.3.1 人脸数据集
4.3.2 损失函数性能测试
4.3.3 S-GoogLeNetv3 人脸识别测试结果分析
4.4 本章小结
第5章 基于嵌入式的CNN人脸识别应用
5.1 嵌入式硬件平台
5.2 系统软件方案设计
5.2.1 软件环境搭建
5.2.2 软件流程设计
5.2.3 软件界面设计
5.2.4 软件实现
5.3 嵌入式人脸识别系统测试
5.3.1 人脸数据集
5.3.2 人脸识别实验结果分析
5.4 本章小结
第6章 总结与展望
6.1 工作总结
6.2 工作展望
参考文献
攻读硕士学位期间取得的成果
致谢
本文编号：4013104
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/4013104.html
