隨著經(jīng)濟(jì)的快速發(fā)展,油氣泵站作為國民經(jīng)濟(jì)能源大動(dòng)脈,在促進(jìn)區(qū)域經(jīng)濟(jì)發(fā)展方面做出了突出的貢獻(xiàn)。而現(xiàn)實(shí)中的油氣泵站地理位置偏僻,周圍簡(jiǎn)單的安全防護(hù)措施以及人員的無法全天監(jiān)護(hù),且泵站內(nèi)部光線暗、禁止強(qiáng)光,導(dǎo)致監(jiān)控設(shè)備拍攝效果模糊、人臉圖像灰暗等情況,嚴(yán)重威脅著油氣泵站中的安全。因此,油氣泵站安全監(jiān)測(cè)儼然成為國家能源安全供應(yīng)所面臨的嚴(yán)峻挑戰(zhàn)。人臉識(shí)別技術(shù)應(yīng)用于油氣泵站安全監(jiān)測(cè)中,可以更方便、準(zhǔn)確、直接地驗(yàn)證人員信息,對(duì)油氣泵站的建設(shè)和維護(hù)起到了重要的保障。論文主要研究工作如下:（1）論文針對(duì)油氣泵站中光照昏暗導(dǎo)致人臉識(shí)別率下降的問題,提出基于決策樹與圖像增強(qiáng)結(jié)合的光照處理方法,通過對(duì)不同暗度的人臉圖像處理的實(shí)驗(yàn)得出,該方法與傳統(tǒng)的光照處理方法:線性變換、指數(shù)增強(qiáng)、同態(tài)濾波、熵圖像方法相比,明顯增強(qiáng)人臉圖像各區(qū)域的特征點(diǎn)。（2）研究卷積神經(jīng)網(wǎng)絡(luò)在訓(xùn)練樣本時(shí)出現(xiàn)的過擬合現(xiàn)象,通過實(shí)驗(yàn)不斷調(diào)整超參數(shù)提高CNN在訓(xùn)練樣本數(shù)據(jù)集上的表現(xiàn),尋找合適的Dropout值解決過擬合問題,之后建立卷積神經(jīng)網(wǎng)絡(luò)對(duì)決策樹與圖像增強(qiáng)的光照算法處理后的人臉圖像進(jìn)行人臉識(shí)別驗(yàn)證和分析。通過實(shí)驗(yàn)表明:論文提出的決策樹與圖像增... 

【文章來源】：大連海事大學(xué)遼寧省 211工程院校

【文章頁數(shù)】：72 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖２．１隱馬爾科夫模型５級(jí)人臉區(qū)域分塊??Ｆｉｇ．?２．１?Ｆａｃｅ?ｒｅｇｉｏｎａｌ?ｐａｒｔｉｔｉｏｎｉｎｇ?ｆｉｖｅ?ｌｅｖｅｌ?ｏｆ?Ｈｉｄｄｅｎ?Ｍａｒｋｏｖ?Ｍｏｄｅｌ??

?大連海事大學(xué)專業(yè)學(xué)位碩士學(xué)位論文???根節(jié)點(diǎn)??內(nèi)部節(jié)點(diǎn)?內(nèi)部節(jié)點(diǎn)??葉子節(jié)點(diǎn)內(nèi)部節(jié)點(diǎn)｜葉子節(jié)點(diǎn)內(nèi)部節(jié)點(diǎn)??葉子節(jié)點(diǎn)葉子節(jié)點(diǎn)葉子節(jié)點(diǎn)葉子節(jié)點(diǎn)??圖２．２決策樹模型??Ｆｉｇ．?２．２?Ｄｅｃｉｓｉｏｎ?ｔｒｅｅ?ｍｏｄｅｌ??每個(gè)決策樹都是由根節(jié)點(diǎn)、內(nèi)部節(jié)點(diǎn)和葉子節(jié)點(diǎn)組成。根節(jié)點(diǎn)位于決策樹的最頂端，??并且決策樹只有一個(gè)根節(jié)點(diǎn)，其節(jié)點(diǎn)內(nèi)部包含所有訓(xùn)練樣本［３９１。內(nèi)部節(jié)點(diǎn)是根據(jù)某種特??定的劃分規(guī)則得到的分類。葉子節(jié)點(diǎn)處于決策樹的最末端，葉子節(jié)點(diǎn)包含有分類標(biāo)簽的??樣本數(shù)據(jù)集合。每條由決策樹的根節(jié)點(diǎn)到葉子節(jié)點(diǎn)構(gòu)成一條路徑都代表了?？種分類規(guī)則，??所以決策樹中的整棵樹是由訓(xùn)練數(shù)據(jù)產(chǎn)生的分類規(guī)則的數(shù)據(jù)集合。決策樹有ＩＤ３、Ｃ４．５、??ＣＡＲＴ等算法。在構(gòu)建決策樹時(shí)，要確保當(dāng)前的特征對(duì)數(shù)據(jù)的劃分具有決定性的作用［４（）］。??信息增益是決策樹中？個(gè)劃分標(biāo)準(zhǔn)，其計(jì)算公式為。??／／?＝?一?Ｊｐ（ｘ，）ｌｏｇ２ｐ（ｘ，）?（２．２）??；＝１??在公式（２．２）中，是選擇該分類的概率，熵度量了事物的不確定性，得到的??值越大，表明樣本中混雜程度越大。該模型計(jì)算的復(fù)雜程度不高，輸出的結(jié)果比較容易??理解，對(duì)于中間值的缺失不敏感，可以處理不相關(guān)特征數(shù)據(jù)，但同時(shí)會(huì)產(chǎn)生過度匹配的??問題。決策樹的分類過程如圖２．３所示。??具體生成決策樹模型的步驟如下：??（１）首先創(chuàng)建決策樹的根節(jié)點(diǎn)，將所有訓(xùn)練的樣本數(shù)據(jù)集置于根節(jié)點(diǎn)。??（２）參照決策樹樣本分裂準(zhǔn)則，從訓(xùn)練樣本的數(shù)據(jù)集合中分裂出最容易區(qū)分的屬??性，產(chǎn)生相應(yīng)的子節(jié)點(diǎn)。??－９?－??

?人臉識(shí)別技術(shù)及在油氣泵站安全監(jiān)測(cè)中的應(yīng)用研究???（３）根據(jù)剩余的樣本屬性對(duì)每個(gè)分裂的內(nèi)部子節(jié)點(diǎn)重復(fù)步驟２的操作，當(dāng)內(nèi)部子??節(jié)點(diǎn)上的所有樣本數(shù)據(jù)的類別的純度相同，或己經(jīng)被利用，則該葉子節(jié)點(diǎn)停止分裂，否??則繼續(xù)。??測(cè)試數(shù)據(jù)??輸１練數(shù)Ｉ?＾評(píng)估翻＇?＾分類結(jié)果??圖２．３決策樹的分類過程??Ｆｉｇ．?２．３?Ｃｌａｓｓｉｆｉｃａｔｉｏｎ?ｐｒｏｃｅｓｓ?ｏｆ?ｄｅｃｉｓｉｏｎ?ｔｒｅｅ??２．４．２支持向量機(jī)分類法??支持向量機(jī)（Ｓｕｐｐｏｒｔ?Ｖｅｃｔｏｒ?Ｍａｃｈｉｎｅｓ，ＳＶＭ），解決樣本分類、學(xué)習(xí)和高維問題??上表現(xiàn)良好［４１］’［４２］。由于ＳＶＭ具有完善的理論作為基礎(chǔ)，目前該方法應(yīng)用在諸多的場(chǎng)景??以及實(shí)驗(yàn)中，并得到了很好的實(shí)驗(yàn)效果。例如：模式識(shí)別、回歸估計(jì)等等。ＳＶＭ的基??本思想如圖２．４所示，圖中的黑點(diǎn)和空點(diǎn)表示兩類數(shù)據(jù)的訓(xùn)練樣本，由于數(shù)據(jù)處于兩維??的平面上，Ｈ是分類線也是超平面，Ｈ１和Ｈ２是過各類樣本中離分類線最近的點(diǎn)且平行??于Ｈ的分類線。最優(yōu)的分界平面就是要求分類線不但能夠?qū)深悷o錯(cuò)誤地分開，而且兩??類的數(shù)據(jù)線之間的間隔也是最大的［４３］。分布在超平面一側(cè)的所有數(shù)據(jù)都屬于某個(gè)類別，??而分布在另一側(cè)的所有數(shù)據(jù)則屬于另一個(gè)類別［４＇兩條直線側(cè)邊上的點(diǎn)是支持向量。??ＳＶＭ方法泛化錯(cuò)誤率低，計(jì)算量小，輸出的計(jì)算結(jié)果易于理解且具有較好的性能。但??該方法對(duì)參數(shù)的相關(guān)修改和核函數(shù)的選擇敏感，大部分的情況僅適用于處理二分類相關(guān)??的情況。??－１０?－??


本文編號(hào)：3124303