考勤系统中的动态人脸识别方法研究
发布时间：2021-01-04 03:31
利用人的面部特征进行身份验证的人脸识别技术,近年来受到了广泛关注,基于深度学习的人脸识别技术在考勤系统中得到了广泛应用,在考勤中实现动态人脸识别,解决传统人脸识别考勤耗时久、对环境有局限的缺点,具有重要的实际应用价值。本文重点研究考勤系统中的动态人脸识别问题,其难点在于需要实时快速的人脸识别,以及如何解决运动、光照等因素对采集到的人脸图像的影响。针对上述问题,本文主要有如下研究内容:1.针对运动模糊、光照不良等不理想场景下捕捉到的人脸图像质量低导致人脸识别率低的问题,加入人脸图像质量评估环节,对于输入的连续人脸图片,用人脸图像质量评估算法处理,输入融合光照、清晰度等质量因素的人脸图像质量分数,有效过滤质量较低的人脸图像,提升识别效率。除此之外,还优化了 MTCNN人脸检测算法,在MTCNN的神经网络中融合特征金字塔等优化,有效降低了不理想场景下人脸检测时的漏检和误检。2.针对动态人脸识别时耗时久,对算法运算速度要求高的问题,本文提出利用在模型大小和速度上都优化了的轻量级网络作为基础网络,将其与高精度人脸识别模型相融合,大大降低计算量,并用中心损失函数的联合损失函数代替训练时难以收敛的三...
【文章来源】：大连海事大学辽宁省 211工程院校
【文章页数】：82 页
【学位级别】：硕士
【部分图文】：
图２．?２神经网络结构图??Ｆｉｇ．?２．２?Ｓｔｒｕｃｔｕｒｅ?ｄｉａｇｒａｍ?ｏｆ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ??
据从ｐｒｅｖｉｏｕｓ?ｌａｙｅｒ流入Ｉｎｃｅｐｔｉｏｎ结构中，然后被分成４路，最后又通过??ｃｏｎｃａｔｅｎａｔｉｏｎ层将这４路数据组合起来，作为Ｉｎｃｅｐｔｉｏｎ模块输出。Ｉｎｃｅｐｔｉｏｎ网络是个庞??大的家族，还包括不断进化的Ｖ２，?Ｖ３，Ｖ４等。??Ｆｉｌｔｅｒ??ｃｏｎｃａｔｅｎａｔｉｏｎ??＿?＾??３＊３?Ｃｏｎｖ?５＊５?Ｃｏｎｖ?１＊１?Ｃｏｎｖ??１＊１?Ｃｏｎｖ??１＊１?Ｃｏｎｖ?１＊１?Ｃｏｎｖ?３＊３??Ｐｒｅｖｉｏｕｓ??Ｌａｙｅｒ??图２．?５?Ｉｎｃｅｐｔｉｏｎ单元结构图??Ｆｉｇ．?２．５?Ｉｎｃｅｐｔｉｏｎ?ｕｎｉｔ?ｓｔｒｕｃｔｕｒｅ?ｄｉａｇｒａｍ??４）ＲｅｓＮｅｔ网络于２０１５年提出，在当时的ＩｍａｇｅＮｅｔ大赛上一句斩获了图像分类、检测、??定位三项冠军。从ＶＧＧＮｅｔ和ＧｏｏｇｌｅＮｅｔ可以看到，深度学习的发展趋势是网络模型越??来越大，深度越来越深，但是一味堆叠会造成摸型退化，而ＲｅｓＮｅｔ最厉害的地方在于??解决了神经网络层数越来越多造成的退化问题，使得网络单纯加深也可以获得更好的性??能。ＲｅｓＮｅｔ的核心思想是引入了残差单元，残差单元结构如２．６所示，ｗｉｅｇｈｔｌａｙｅｒ代表??一个卷积层。??Ｘ??ｗｅｉｇｈｔ?ｌａｙｅｒ??Ｆ（ｘ）?；?ｒｅｌｕ?ｉｄｅｎｔｉｔｙ??ｔ?ｘ??ｗｅｉｇｈｔ?ｌａｙｅｒ??Ｈ（ｘ）＝Ｆ（ｘ）＋ｘ??．．十．??ｒｅｌｕ??▼??图２．?６?ＲｅｓＮｅｔ单元结构??Ｆｉｇ．?２．６?ＲｅｓＮｅｔ?ｕｎｉｔ?ｓｔｒｕｃｔｕｒｅ?ｄｉａｇｒａｍ??１１??
据从ｐｒｅｖｉｏｕｓ?ｌａｙｅｒ流入Ｉｎｃｅｐｔｉｏｎ结构中，然后被分成４路，最后又通过??ｃｏｎｃａｔｅｎａｔｉｏｎ层将这４路数据组合起来，作为Ｉｎｃｅｐｔｉｏｎ模块输出。Ｉｎｃｅｐｔｉｏｎ网络是个庞??大的家族，还包括不断进化的Ｖ２，?Ｖ３，Ｖ４等。??Ｆｉｌｔｅｒ??ｃｏｎｃａｔｅｎａｔｉｏｎ??＿?＾??３＊３?Ｃｏｎｖ?５＊５?Ｃｏｎｖ?１＊１?Ｃｏｎｖ??１＊１?Ｃｏｎｖ??１＊１?Ｃｏｎｖ?１＊１?Ｃｏｎｖ?３＊３??Ｐｒｅｖｉｏｕｓ??Ｌａｙｅｒ??图２．?５?Ｉｎｃｅｐｔｉｏｎ单元结构图??Ｆｉｇ．?２．５?Ｉｎｃｅｐｔｉｏｎ?ｕｎｉｔ?ｓｔｒｕｃｔｕｒｅ?ｄｉａｇｒａｍ??４）ＲｅｓＮｅｔ网络于２０１５年提出，在当时的ＩｍａｇｅＮｅｔ大赛上一句斩获了图像分类、检测、??定位三项冠军。从ＶＧＧＮｅｔ和ＧｏｏｇｌｅＮｅｔ可以看到，深度学习的发展趋势是网络模型越??来越大，深度越来越深，但是一味堆叠会造成摸型退化，而ＲｅｓＮｅｔ最厉害的地方在于??解决了神经网络层数越来越多造成的退化问题，使得网络单纯加深也可以获得更好的性??能。ＲｅｓＮｅｔ的核心思想是引入了残差单元，残差单元结构如２．６所示，ｗｉｅｇｈｔｌａｙｅｒ代表??一个卷积层。??Ｘ??ｗｅｉｇｈｔ?ｌａｙｅｒ??Ｆ（ｘ）?；?ｒｅｌｕ?ｉｄｅｎｔｉｔｙ??ｔ?ｘ??ｗｅｉｇｈｔ?ｌａｙｅｒ??Ｈ（ｘ）＝Ｆ（ｘ）＋ｘ??．．十．??ｒｅｌｕ??▼??图２．?６?ＲｅｓＮｅｔ单元结构??Ｆｉｇ．?２．６?ＲｅｓＮｅｔ?ｕｎｉｔ?ｓｔｒｕｃｔｕｒｅ?ｄｉａｇｒａｍ??１１??
【参考文献】：
硕士论文
[1]视频考勤中无效人脸过滤方法研究[D]. 陈富强.西南交通大学 2018
[2]基于人脸识别的公司考勤门禁系统的设计[D]. 李骏驰.电子科技大学 2018
本文编号：2956065
【文章来源】：大连海事大学辽宁省 211工程院校
【文章页数】：82 页
【学位级别】：硕士
【部分图文】：
图２．?２神经网络结构图??Ｆｉｇ．?２．２?Ｓｔｒｕｃｔｕｒｅ?ｄｉａｇｒａｍ?ｏｆ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ??
据从ｐｒｅｖｉｏｕｓ?ｌａｙｅｒ流入Ｉｎｃｅｐｔｉｏｎ结构中，然后被分成４路，最后又通过??ｃｏｎｃａｔｅｎａｔｉｏｎ层将这４路数据组合起来，作为Ｉｎｃｅｐｔｉｏｎ模块输出。Ｉｎｃｅｐｔｉｏｎ网络是个庞??大的家族，还包括不断进化的Ｖ２，?Ｖ３，Ｖ４等。??Ｆｉｌｔｅｒ??ｃｏｎｃａｔｅｎａｔｉｏｎ??＿?＾??３＊３?Ｃｏｎｖ?５＊５?Ｃｏｎｖ?１＊１?Ｃｏｎｖ??１＊１?Ｃｏｎｖ??１＊１?Ｃｏｎｖ?１＊１?Ｃｏｎｖ?３＊３??Ｐｒｅｖｉｏｕｓ??Ｌａｙｅｒ??图２．?５?Ｉｎｃｅｐｔｉｏｎ单元结构图??Ｆｉｇ．?２．５?Ｉｎｃｅｐｔｉｏｎ?ｕｎｉｔ?ｓｔｒｕｃｔｕｒｅ?ｄｉａｇｒａｍ??４）ＲｅｓＮｅｔ网络于２０１５年提出，在当时的ＩｍａｇｅＮｅｔ大赛上一句斩获了图像分类、检测、??定位三项冠军。从ＶＧＧＮｅｔ和ＧｏｏｇｌｅＮｅｔ可以看到，深度学习的发展趋势是网络模型越??来越大，深度越来越深，但是一味堆叠会造成摸型退化，而ＲｅｓＮｅｔ最厉害的地方在于??解决了神经网络层数越来越多造成的退化问题，使得网络单纯加深也可以获得更好的性??能。ＲｅｓＮｅｔ的核心思想是引入了残差单元，残差单元结构如２．６所示，ｗｉｅｇｈｔｌａｙｅｒ代表??一个卷积层。??Ｘ??ｗｅｉｇｈｔ?ｌａｙｅｒ??Ｆ（ｘ）?；?ｒｅｌｕ?ｉｄｅｎｔｉｔｙ??ｔ?ｘ??ｗｅｉｇｈｔ?ｌａｙｅｒ??Ｈ（ｘ）＝Ｆ（ｘ）＋ｘ??．．十．??ｒｅｌｕ??▼??图２．?６?ＲｅｓＮｅｔ单元结构??Ｆｉｇ．?２．６?ＲｅｓＮｅｔ?ｕｎｉｔ?ｓｔｒｕｃｔｕｒｅ?ｄｉａｇｒａｍ??１１??
据从ｐｒｅｖｉｏｕｓ?ｌａｙｅｒ流入Ｉｎｃｅｐｔｉｏｎ结构中，然后被分成４路，最后又通过??ｃｏｎｃａｔｅｎａｔｉｏｎ层将这４路数据组合起来，作为Ｉｎｃｅｐｔｉｏｎ模块输出。Ｉｎｃｅｐｔｉｏｎ网络是个庞??大的家族，还包括不断进化的Ｖ２，?Ｖ３，Ｖ４等。??Ｆｉｌｔｅｒ??ｃｏｎｃａｔｅｎａｔｉｏｎ??＿?＾??３＊３?Ｃｏｎｖ?５＊５?Ｃｏｎｖ?１＊１?Ｃｏｎｖ??１＊１?Ｃｏｎｖ??１＊１?Ｃｏｎｖ?１＊１?Ｃｏｎｖ?３＊３??Ｐｒｅｖｉｏｕｓ??Ｌａｙｅｒ??图２．?５?Ｉｎｃｅｐｔｉｏｎ单元结构图??Ｆｉｇ．?２．５?Ｉｎｃｅｐｔｉｏｎ?ｕｎｉｔ?ｓｔｒｕｃｔｕｒｅ?ｄｉａｇｒａｍ??４）ＲｅｓＮｅｔ网络于２０１５年提出，在当时的ＩｍａｇｅＮｅｔ大赛上一句斩获了图像分类、检测、??定位三项冠军。从ＶＧＧＮｅｔ和ＧｏｏｇｌｅＮｅｔ可以看到，深度学习的发展趋势是网络模型越??来越大，深度越来越深，但是一味堆叠会造成摸型退化，而ＲｅｓＮｅｔ最厉害的地方在于??解决了神经网络层数越来越多造成的退化问题，使得网络单纯加深也可以获得更好的性??能。ＲｅｓＮｅｔ的核心思想是引入了残差单元，残差单元结构如２．６所示，ｗｉｅｇｈｔｌａｙｅｒ代表??一个卷积层。??Ｘ??ｗｅｉｇｈｔ?ｌａｙｅｒ??Ｆ（ｘ）?；?ｒｅｌｕ?ｉｄｅｎｔｉｔｙ??ｔ?ｘ??ｗｅｉｇｈｔ?ｌａｙｅｒ??Ｈ（ｘ）＝Ｆ（ｘ）＋ｘ??．．十．??ｒｅｌｕ??▼??图２．?６?ＲｅｓＮｅｔ单元结构??Ｆｉｇ．?２．６?ＲｅｓＮｅｔ?ｕｎｉｔ?ｓｔｒｕｃｔｕｒｅ?ｄｉａｇｒａｍ??１１??
【参考文献】：
硕士论文
[1]视频考勤中无效人脸过滤方法研究[D]. 陈富强.西南交通大学 2018
[2]基于人脸识别的公司考勤门禁系统的设计[D]. 李骏驰.电子科技大学 2018
本文编号：2956065
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/2956065.html
