基于深度学习的人脸认证算法研究
发布时间:2023-04-17 01:11
人脸认证作为人脸识别的一个分支,在维护社会稳定及个人安全方面具有重要的意义。目前,人脸认证方法主要有:以支持向量机、k最近邻、决策树等浅层模型为代表的传统的模式识别方法和以卷积神经网络为代表的深度学习方法。传统模式识别方法的识别精度依赖人工提取特征的结果,易受外界条件影响,智能化程度低。深度学习方法以自主学习方式能从复杂的数据中提取人脸的隐性特征,且泛化能力强。为此,本文提出两种基于深度学习的人脸认证算法。具体工作如下:(1)针对现有的基于深度学习人脸认证方法数据标记成本大,在训练样本较少的数据集上模型训练效果不佳的问题,提出了融合LeNet-5和Siamese神经网络的人脸认证算法。首先,将人脸数据匹配为成对样本并送入网络,采用Siamese神经网络框架,构建双分支LeNet-5卷积网络进行人脸特征提取,通过缩小卷积核、增加卷积层、改变激活函数调整模型结构;然后,使用Contrastive Loss函数进行网络优化,使类内差异最小化,类间差异最大化,提升网络对样本的区分能力;最后,通过度量样本特征间相似性判断样本类别。该方法将深度学习和度量学习结合起来,既避免了复杂的人工特征提取,又...
【文章页数】:59 页
【学位级别】:硕士
【文章目录】:
摘要
ABSTRACT
1 绪论
1.1 研究背景和意义
1.2 国内外研究现状
1.2.1 人脸识别的发展
1.2.2 人脸识别的现状
1.3 本文的主要工作
1.4 本文的组织结构
2 相关理论与技术
2.1 图像预处理
2.1.1 人脸检测
2.1.2 人脸对齐
2.2 卷积神经网络
2.2.1 卷积神经网络特点
2.2.2 卷积神经网络结构
2.3 经典的网络模型
2.3.1 LeNet-5网络
2.3.2 Alex Net网络
2.3.3 Res Net网络
2.3.4 Siamese网络
2.4 相似性度量
2.5 分类评价指标
2.6 本章小结
3 融合Le Net-5与Siamese神经网络的人脸认证算法
3.1 融合网络算法思想
3.2 融合网络算法流程
3.3 融合Le Net-5与Siamese网络模型
3.3.1 双分支LeNet-5网络特征提取
3.3.2 Contrastive Loss损失函数优化
3.4 实验与分析
3.4.1 实验数据与实验环境
3.4.2 实验方案
3.4.3 实验参数
3.4.4 实验结果及分析
3.5 本章小结
4 融合Le Net-Residual与 Siamese神经网络的人脸认证算法
4.1 残差融合网络算法思想
4.2 残差融合网络算法流程
4.3 局部纹理特征增强算法
4.3.1 Gamma校正
4.3.2 高斯差分滤波
4.3.3 对比度均衡化
4.4 融合Le Net-Residual与 Siamese网络模型
4.4.1 Residual Block
4.4.2 双分支Le Net-Residual网络
4.5 实验与分析
4.5.1 实验数据与实验环境
4.5.2 实验方案
4.5.3 实验参数
4.5.4 实验结果与分析
4.6 本章小结
5 总结与展望
5.1 总结
5.2 展望
致谢
参考文献
附录
本文编号:3792258
【文章页数】:59 页
【学位级别】:硕士
【文章目录】:
摘要
ABSTRACT
1 绪论
1.1 研究背景和意义
1.2 国内外研究现状
1.2.1 人脸识别的发展
1.2.2 人脸识别的现状
1.3 本文的主要工作
1.4 本文的组织结构
2 相关理论与技术
2.1 图像预处理
2.1.1 人脸检测
2.1.2 人脸对齐
2.2 卷积神经网络
2.2.1 卷积神经网络特点
2.2.2 卷积神经网络结构
2.3 经典的网络模型
2.3.1 LeNet-5网络
2.3.2 Alex Net网络
2.3.3 Res Net网络
2.3.4 Siamese网络
2.4 相似性度量
2.5 分类评价指标
2.6 本章小结
3 融合Le Net-5与Siamese神经网络的人脸认证算法
3.1 融合网络算法思想
3.2 融合网络算法流程
3.3 融合Le Net-5与Siamese网络模型
3.3.1 双分支LeNet-5网络特征提取
3.3.2 Contrastive Loss损失函数优化
3.4 实验与分析
3.4.1 实验数据与实验环境
3.4.2 实验方案
3.4.3 实验参数
3.4.4 实验结果及分析
3.5 本章小结
4 融合Le Net-Residual与 Siamese神经网络的人脸认证算法
4.1 残差融合网络算法思想
4.2 残差融合网络算法流程
4.3 局部纹理特征增强算法
4.3.1 Gamma校正
4.3.2 高斯差分滤波
4.3.3 对比度均衡化
4.4 融合Le Net-Residual与 Siamese网络模型
4.4.1 Residual Block
4.4.2 双分支Le Net-Residual网络
4.5 实验与分析
4.5.1 实验数据与实验环境
4.5.2 实验方案
4.5.3 实验参数
4.5.4 实验结果与分析
4.6 本章小结
5 总结与展望
5.1 总结
5.2 展望
致谢
参考文献
附录
本文编号:3792258
本文链接:https://www.wllwen.com/shoufeilunwen/xixikjs/3792258.html