近紅外光主動照射技術可以實現(xiàn)全黑環(huán)境下的成像,因此被廣泛應用于安防監(jiān)控方面。但近紅外監(jiān)控視頻中的人臉往往呈現(xiàn)不同的姿態(tài)角度。對于可見光下的人臉識別,姿態(tài)變化會帶來人臉識別率的顯著下降。雖然定性分析表明中波紅外和長波紅外人臉識別更少地受到姿態(tài)變化的影響,但由于可用數(shù)據(jù)集的缺失,姿態(tài)變化對近紅外人臉識別的定量分析目前無法開展。現(xiàn)有的近紅外人臉數(shù)據(jù)集大多基于正臉角度拍攝,還未見公開的包含多個角度姿態(tài)變換的近紅外人臉數(shù)據(jù)集。姿態(tài)變換對于近紅外人臉識別的定量影響不得而知,姿態(tài)變化非敏感近紅外人臉識別算法的驗證更無從開展。基于研究現(xiàn)狀中存在的上述問題,本文建立了一個多個角度姿態(tài)變換的近紅外人臉數(shù)據(jù)庫SWU-NIRPV（西南大學近紅外姿態(tài)變換人臉數(shù)據(jù)庫）,深入討論了姿態(tài)變換對近紅外人臉識別的影響機制,并設計神經(jīng)網(wǎng)絡試圖實現(xiàn)姿態(tài)變化非敏感近紅外人臉識別。本文的主要貢獻在于:（1）建立了一個黑暗條件下包含57個姿態(tài)變換角度的近紅外人臉公開數(shù)據(jù)庫SWU-NIRPV,以10°為間隔,覆蓋了左右兩側0°（正臉）至±90°（側臉）的近紅外人臉數(shù)據(jù),同時在各個偏航角度上進一步劃分了俯視、平視以及仰視集。（2）從非... 

【文章來源】：西南大學重慶市 211工程院校 教育部直屬院校

【文章頁數(shù)】：68 頁

【學位級別】：碩士

【部分圖文】：

數(shù)據(jù)庫建立框架

第一章引言71.4.2方法整體框架本文提出的方法整體框架如圖1.2所示。圖中以淺綠色與紫色對訓練集與測試集進行區(qū)分。圖1.2方法整體框架本文從非交叉、交叉角度兩個方面設計算法來分析姿態(tài)變換對近紅外人臉識別的影響。首先是非交叉角度近紅外人臉識別，這一部分訓練集與測試集均來自于同一姿態(tài)角度，利用傳統(tǒng)算法與CNN模型在每個角度都進行交叉驗證后，通過分別控制偏航與俯仰，來分析在不同方向的姿態(tài)角度，模型的識別效果是否發(fā)生變化，結果表明，在非交叉角度層面，傳統(tǒng)方法不能在不同的姿態(tài)變化角度保持較強的魯棒性，CNN則表現(xiàn)較好。然后同樣在交叉角度進行識別分析，這一部分訓練集與測試集來自不同的姿態(tài)角度（以更為細致劃分的偏航為主，見圖1.2中淺綠色與紫色方塊），同時采用與非交叉角度同樣的一組算法進行對比分析。在僅以0°正臉偏航作訓練集條件下，盡管測試集與訓練集僅存在10°偏航的差異，仍然對識別能力造成了致命的影響，在訓練集加入90°偏航子集后，識別效

西南大學碩士學位論文10-90°至90°以10°間隔進行標記，如圖2.1所示。0°標記線和相機的光軸線平行，兩條線構成的平面垂直于地面。圖2.1人臉偏航角度標記示意圖2.2.3實驗過程我們招募了90個本科同學參與SWU-NIRPV實驗數(shù)據(jù)采集，其中男生35人，女生55人，平均年齡在26歲。在實驗開始前每個人都簽署了知情同意書，并被告知實驗數(shù)據(jù)僅用作學術研究，在實驗過程中如被試感到任何不適可以隨時終止實驗并離開。因為近紅外人臉識別常常應用在黑暗條件場景下，因此SWU-NIRPV人臉數(shù)據(jù)的采集是在黑暗條件下進行的，圖2.2為光源關閉前后的畫面對比。實驗過程中所有的光源都會被關閉，唯一的近紅外主動照射光源來自RICHHD-A210相機，由于幕布邊緣允許了極其微弱的光線透過，因此被試在標記位置站立一段時間視覺能夠得到適應后，仍然可以準確辨識地板上的白色標記。（a）（b）圖2.2實驗環(huán)境下打開光源與關閉光源的畫面對比:(a)打開光源;(b)關閉光源實驗開始時，我們要求被試被將腳后跟并攏至標記原點，雙腳自然打開，將白色標記置于雙腳角平分線位置，同時雙眼視線借助鼻尖聚焦于白色標記上。目

【參考文獻】：
期刊論文
[1]深度卷積神經(jīng)網(wǎng)絡在計算機視覺中的應用研究綜述[J]. 盧宏濤,張秦川.  數(shù)據(jù)采集與處理. 2016(01)
[2]受限波爾茲曼機[J]. 張春霞,姬楠楠,王冠偉.  工程數(shù)學學報. 2015(02)
[3]深度學習研究綜述[J]. 尹寶才,王文通,王立春.  北京工業(yè)大學學報. 2015(01)
[4]基于卷積神經(jīng)網(wǎng)絡的正則化方法[J]. 呂國豪,羅四維,黃雅平,蔣欣蘭.  計算機研究與發(fā)展. 2014(09)
[5]深度學習在自然語言處理中的應用[J]. 翟劍鋒.  電腦編程技巧與維護. 2013(18)
[6]光照不均圖像增強方法綜述[J]. 梁琳,何衛(wèi)平,雷蕾,張維,王紅霄.  計算機應用研究. 2010(05)
[7]M-P神經(jīng)元模型的幾何意義及其應用[J]. 張鈴,張鈸.  軟件學報. 1998(05)
[8]基于生物的神經(jīng)網(wǎng)絡的理論框架──神經(jīng)元模型[J]. 歐陽楷,鄒睿,劉衛(wèi)芳.  北京生物醫(yī)學工程. 1997(02)
[9]梯度下降法[J]. 劉穎超,張紀元.  南京理工大學學報(自然科學版). 1993(02)

碩士論文
[1]基于深度學習的目標檢測算法研究及應用[D]. 萬維.電子科技大學 2015
[2]深度學習神經(jīng)網(wǎng)絡在語音識別中的應用研究[D]. 陳碩.華南理工大學 2013
[3]基于深度學習的人臉識別研究[D]. 林妙真.大連理工大學 2013



本文編號：3381474