基于深度学习的自然场景下多人脸检测与识别

发布时间：2023-04-08 02:29

　　随着信息社会的发展,信息的安全性越来越受到广泛的关注。其中,人脸作为不同个体的标识,有着自己固有的生物特征,因此被用于身份识别以及安全监测等场景。由于不同光照、不同角度、人脸遮挡等因素,人脸检测与识别的问题遇到了很大的挑战。本文基于深度学习的方法对人脸检测和人脸识别进行了相关研究,对比于传统的目标检测算法,利用基于卷积神经网络的目标检测算法进行归类分析,提出了本文研究方法。本文首先针对人脸检测提出了基于YOLOv3算法的自然场景下多人脸检测,旨在解决人脸实时性检测以及图片中小人脸的问题。模型以Darknet 53为主干网络,用3种不同尺寸的特征图进行预测,对检测框的中心坐标、置信度以及类别的损失函数进行设计,最后直接回归被检测人脸的信息。运用了批量归一化处理模型,同时从人脸识别概率、人脸类别、人脸的检测框三个角度对损失函数进行了设计,有效的解决了光照、遮挡等自然条件下图像背景变化和实时性检测等问题,同时还解决了图像中多人脸检测的问题。本文还提出了基于FaceNet算法的改进模型,首先通过本文中YOLOv3模型对人脸检测后的检测框进行提取,然后对人脸图像进行分割后进行模型训练。本文提出了...

【文章页数】：70 页

【学位级别】：硕士

【文章目录】：
中文摘要
ABSTRACT
第一章 绪论
    1.1 研究背景与意义
    1.2 国内外研究现状
        1.2.1 卷积神经网络的发展
        1.2.2 人脸检测与人脸识别的发展与现状
    1.3 研究内容和组织结构
        1.3.1 研究内容
        1.3.2 组织结构
第二章 关键技术综述
    2.1 传统目标检测方法
        2.1.1 Viola-Jones算法
        2.1.2 HOG+SVM算法
        2.1.3 DPM算法和NMS算法
    2.2 卷积神经网络
    2.3 深度学习目标检测常见算法
        2.3.1 Two-stage系列算法
        2.3.2 One-stage系列算法
    2.4 深度学习人脸识别算法
    2.5 本文改进策略的相关技术综述
        2.5.1 L1、L2 范数以及欧式距离
        2.5.2 残差块
        2.5.3 SENet
    2.6 本章总结
第三章 基于YOLOv3 算法的自然场景下多人脸检测
    3.1 引言
    3.2 YOLOv3 算法模型结构
        3.2.1 Batch Normalization
        3.2.2 采用多尺度的预测方法
        3.2.3 损失函数
    3.3 数据集的选择与分析
    3.4 实验环境和训练
    3.5 实验与结果分析
        3.5.1 评价指标
        3.5.2 实验结果分析
    3.6 本章总结
第四章 基于改进的FaceNet算法的人脸识别设计
    4.1 引言
    4.2 人脸识别设计整体流程
    4.3 人脸匹配数据集
        4.3.1 人脸匹配数据集的介绍和选择
        4.3.2 人脸数据集的处理
    4.4 FaceNet算法模型结构
        4.4.1 Deep Architecture
        4.4.2 FaceNet主干网络的改进
    4.5 数据增强
    4.6 损失函数设计
        4.6.1 本文损失函数Triplet Loss设计
        4.6.2 三元组的选择
    4.7 训练策略
        4.7.1 激活函数
        4.7.2 学习率以及初始化方式
        4.7.3 正则化
        4.7.4 优化器算法的选择
    4.8 实验环境与测试
    4.9 实验结果分析
        4.9.1 评价指标
        4.9.2 实验结果分析
    4.10 本章总结
第五章 总结与展望
    5.1 总结
    5.2 未来展望
参考文献
攻读学位期间取得的研究成果
致谢
个人简况及联系方式



本文编号：3785817