本文選題：人臉識(shí)別 + 深度學(xué)習(xí)　； 參考：《大連海事大學(xué)》2017年碩士論文

【摘要】：隨著我們周邊生活信息化,自動(dòng)化的不斷加深,監(jiān)控?cái)z像頭已經(jīng)變得隨處可見,有些地方還出現(xiàn)了基于指紋和人臉識(shí)別的門禁系統(tǒng)。在這些系統(tǒng)中人臉識(shí)別技術(shù)都有重要的應(yīng)用,人臉識(shí)別是生物特征識(shí)別的一個(gè)重要部分,是一門涵蓋了計(jì)算機(jī),圖像處理,信號(hào)處理,模式識(shí)別,心理學(xué)等多種學(xué)科的技術(shù)。雖然人臉識(shí)別的研究以有很長(zhǎng)的歷史但仍有極高的研究?jī)r(jià)值。深度信念網(wǎng)絡(luò)(Deep Belief Network,簡(jiǎn)稱DBN)和對(duì)比散度算法由學(xué)者Geoffrey Hinton在2006年提出。這開啟了深度學(xué)習(xí)的新時(shí)代,在現(xiàn)在深度學(xué)習(xí)與大數(shù)據(jù)相結(jié)合給人們?cè)O(shè)計(jì)出真正的人工智能指出了一條可能的道路。人臉是一個(gè)復(fù)雜系統(tǒng),淺層學(xué)習(xí)在面對(duì)復(fù)雜系統(tǒng)時(shí)會(huì)出現(xiàn)數(shù)據(jù)過(guò)擬合等問(wèn)題,而采用多層網(wǎng)絡(luò)結(jié)構(gòu)可以有效提升識(shí)別效果,本文采用深度信念網(wǎng)絡(luò)。本文研究的主要內(nèi)容如下。1,利用深度信念網(wǎng)絡(luò)和對(duì)比散度算法設(shè)計(jì)和訓(xùn)練人臉識(shí)別系統(tǒng),實(shí)驗(yàn)表明基于深度信念網(wǎng)絡(luò)的人臉識(shí)別系統(tǒng)能夠有效地完成分類任務(wù)。2,在設(shè)計(jì)網(wǎng)絡(luò)時(shí)就深度信念網(wǎng)絡(luò)層數(shù),訓(xùn)練網(wǎng)絡(luò)時(shí)參數(shù)等會(huì)對(duì)識(shí)別效果產(chǎn)生影響的因素加以分析和討論,得出預(yù)訓(xùn)練相關(guān)參數(shù)和網(wǎng)絡(luò)層數(shù)的較優(yōu)值。3在CMUPIE,Yale,UMIST人臉數(shù)據(jù)庫(kù)上驗(yàn)證本文識(shí)別系統(tǒng)有效性,并就光照,分辨率,表情,姿態(tài)變化對(duì)識(shí)別效果影響情況進(jìn)行實(shí)驗(yàn)測(cè)試,并與傳統(tǒng)的人臉識(shí)別方法進(jìn)行對(duì)比,測(cè)試結(jié)果表明本文的識(shí)別算法對(duì)人臉的識(shí)別率能達(dá)到90%以上,與傳統(tǒng)算法相比識(shí)別率可以提高1%到2%。
[Abstract]:With the informatization of our peripheral life and the deepening of automation, surveillance cameras have become ubiquitous, and in some places, access control systems based on fingerprint and face recognition have emerged. Face recognition is an important part of biometric recognition, which includes computer, image processing, signal processing, pattern recognition, psychology and so on. Although the research of face recognition has a long history, it is still of great value. Deep belief Network (DBN) and contrast divergence algorithm were proposed by Geoffrey Hinton in 2006. This opens a new era of deep learning, and now the combination of deep learning and big data points out a possible way to design true artificial intelligence. Face is a complex system. In the face of complex system, shallow learning will have problems such as data over-fitting, and the multi-layer network structure can effectively improve the recognition effect. In this paper, the depth belief network is used. The main contents of this paper are as follows: 1. Using depth belief network and contrast divergence algorithm to design and train face recognition system. The experiments show that the face recognition system based on depth belief network can effectively complete the classification task. The factors that affect the recognition effect are analyzed and discussed in the design of the network, such as the number of depth belief network layers and the parameters when training the network. The optimal value of pre-training parameters and the number of network layers is obtained to verify the effectiveness of this recognition system on CMUPIEE / UMIST face database, and the effect of illumination, resolution, facial expression and attitude changes on the recognition effect is tested experimentally. Compared with the traditional face recognition method, the test results show that the recognition rate of this algorithm can reach more than 90%, compared with the traditional algorithm, the recognition rate can be increased by 1% to 2%.
【學(xué)位授予單位】：大連海事大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：TP391.41

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 張貴英;張先杰;;基于圖像的人臉識(shí)別算法研究綜述[J];電腦知識(shí)與技術(shù);2017年11期

2 徐峰;張軍平;;人臉微表情識(shí)別綜述[J];自動(dòng)化學(xué)報(bào);2017年03期

3 閆新寶;;深度學(xué)習(xí)及其在人臉識(shí)別中的應(yīng)用進(jìn)展[J];無(wú)線互聯(lián)科技;2016年08期

4 李祖賀;樊養(yǎng)余;王鳳琴;;YUV空間中基于稀疏自動(dòng)編碼器的無(wú)監(jiān)督特征學(xué)習(xí)[J];電子與信息學(xué)報(bào);2016年01期

5 蘇楠;吳冰;徐偉;蘇光大;;人臉識(shí)別綜合技術(shù)的發(fā)展[J];信息安全研究;2016年01期

6 Ying-Ying Zheng;Jun Yao;;Multi-angle Face Detection Based on DP-Adaboost[J];International Journal of Automation and Computing;2015年04期

7 鄒國(guó)鋒;傅桂霞;李海濤;高明亮;王科俊;;多姿態(tài)人臉識(shí)別綜述[J];模式識(shí)別與人工智能;2015年07期

8 柴瑞敏;曹振基;;基于Gabor小波與深度信念網(wǎng)絡(luò)的人臉識(shí)別方法[J];計(jì)算機(jī)應(yīng)用;2014年09期

9 梁淑芬;劉銀華;李立琛;;基于LBP和深度學(xué)習(xí)的非限制條件下人臉識(shí)別算法[J];通信學(xué)報(bào);2014年06期

10 劉建偉;劉媛;羅雄麟;;深度學(xué)習(xí)研究進(jìn)展[J];計(jì)算機(jī)應(yīng)用研究;2014年07期

相關(guān)博士學(xué)位論文 前2條

1 易玉根;基于全局與局部信息的人臉識(shí)別研究[D];東北師范大學(xué);2015年

2 張強(qiáng);面向人臉識(shí)別的流形正則化判別特征提取算法研究[D];上海交通大學(xué);2013年

相關(guān)碩士學(xué)位論文 前10條

1 李昌;基于PCA和BP神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別方法研究[D];哈爾濱理工大學(xué);2017年

2 龍海強(qiáng);基于深度學(xué)習(xí)的人臉識(shí)別算法[D];廣東工業(yè)大學(xué);2016年

3 劉潤(rùn);基于3D模型的多姿態(tài)虛擬人臉識(shí)別算法[D];重慶大學(xué);2016年

4 雷雨;基于深度信息學(xué)習(xí)的人臉自然特征提取與識(shí)別[D];北京郵電大學(xué);2015年

5 陸華;基于局部二值模式的人臉識(shí)別和表情識(shí)別研究[D];山東大學(xué);2014年

6 劉會(huì)東;姿態(tài)變化與困難光照條件下的人臉識(shí)別研究[D];南京師范大學(xué);2013年

7 林妙真;基于深度學(xué)習(xí)的人臉識(shí)別研究[D];大連理工大學(xué);2013年

8 楊夏穎;基于特征選擇和隱馬爾可夫模型的人臉識(shí)別[D];西安電子科技大學(xué);2013年

9 由清圳;基于深度學(xué)習(xí)的視頻人臉識(shí)別方法[D];哈爾濱工業(yè)大學(xué);2013年

10 蔡劍鋒;基于HMM的姿態(tài)變化人臉識(shí)別研究[D];西安電子科技大學(xué);2011年

，

本文編號(hào)：2069129