人臉識別是圖像領(lǐng)域的經(jīng)典問題,為解決目前人臉識別中普遍存在的識別精度不高、特征點估計較為粗糙等問題,采用一種基于R-CNN（Res Nets-Convolutional Neural Network）算法的人臉識別方法。該方法用人臉特征探測器有效的提取了人臉特征,同時將R-CNN卷積神經(jīng)網(wǎng)絡(luò)結(jié)合特征臉算法用于2D人臉識別。采集了400張目標臉,和人臉庫中的1000張樣本臉混合,形成人臉數(shù)據(jù)集。本文的主要工作如下:1.針對CNN網(wǎng)絡(luò)過擬合問題,本文提出了網(wǎng)絡(luò)優(yōu)化方法,改進全連接層設(shè)計,對原Droupout隨機稀疏進行改進,使其在訓(xùn)練階段的輸出值從大到小劃分成兩個等級（前1/2、后1/2）,兩個等級的稀疏度設(shè)定也有所不同（輸出值小稀疏率高,輸出值大稀疏率低）,從而對全連接層進行稀疏化處理,對改進后的CNN網(wǎng)絡(luò)在人臉數(shù)據(jù)集中進行實現(xiàn),給出網(wǎng)絡(luò)的準確率與損失。2.針對R-CNN網(wǎng)絡(luò)的不足,提出了通過固定尺寸分割取代滑動窗口的策略,由于滑動窗口大小固定不變,且會造成窗口冗余,而固定尺寸分割會產(chǎn)生尺寸多樣的目標估計,即使人臉圖像是在極端情況下采集得到的,檢測結(jié)果也較好。同時對Res Nets網(wǎng)絡(luò)中... 

【文章來源】：遼寧工程技術(shù)大學(xué)遼寧省

【文章頁數(shù)】：78 頁

【學(xué)位級別】：碩士

【部分圖文】：

人臉識別原理框圖

遼寧工程技術(shù)大學(xué)碩士學(xué)位論文111.SAE自編碼網(wǎng)絡(luò)模型擁有三層神經(jīng)網(wǎng)絡(luò)，輸出重構(gòu)層、隱藏層以及數(shù)據(jù)輸入層這三層構(gòu)成了自編碼網(wǎng)絡(luò)，自編碼網(wǎng)絡(luò)學(xué)習(xí)方式采用無監(jiān)督學(xué)習(xí)，圖2.2是其模型圖。圖2.2自編碼網(wǎng)絡(luò)模型Figure2.2Self-codingnetworkmodel編碼與解碼是組成SAE的兩個部分，網(wǎng)絡(luò)是先編碼再解碼，將數(shù)據(jù)輸入到網(wǎng)絡(luò)，映射到g.函數(shù)中，這是編碼的過程。解碼是編碼的逆過程，將輸出函數(shù)g.的值輸入到解碼器中，通過過程中網(wǎng)絡(luò)自調(diào)節(jié)使得解碼值xxhbw,。自編碼網(wǎng)絡(luò)是棧式自編碼網(wǎng)絡(luò)的基本組成單元，它是通過疊加數(shù)個自編碼網(wǎng)絡(luò)形成的網(wǎng)絡(luò)模型，SAE網(wǎng)絡(luò)模型如圖2.3所示：圖2.3SAE網(wǎng)絡(luò)模型Figure2.3SAEnetworkmodelSAE網(wǎng)絡(luò)因為是由自編碼網(wǎng)絡(luò)疊加而成，所以學(xué)習(xí)方式跟自編碼一樣是無監(jiān)督學(xué)習(xí)，該網(wǎng)絡(luò)以這種學(xué)習(xí)方式逐層訓(xùn)練，這種訓(xùn)練過程有效避免誤差積累，能夠提取不錯的高階

遼寧工程技術(shù)大學(xué)碩士學(xué)位論文111.SAE自編碼網(wǎng)絡(luò)模型擁有三層神經(jīng)網(wǎng)絡(luò)，輸出重構(gòu)層、隱藏層以及數(shù)據(jù)輸入層這三層構(gòu)成了自編碼網(wǎng)絡(luò)，自編碼網(wǎng)絡(luò)學(xué)習(xí)方式采用無監(jiān)督學(xué)習(xí)，圖2.2是其模型圖。圖2.2自編碼網(wǎng)絡(luò)模型Figure2.2Self-codingnetworkmodel編碼與解碼是組成SAE的兩個部分，網(wǎng)絡(luò)是先編碼再解碼，將數(shù)據(jù)輸入到網(wǎng)絡(luò)，映射到g.函數(shù)中，這是編碼的過程。解碼是編碼的逆過程，將輸出函數(shù)g.的值輸入到解碼器中，通過過程中網(wǎng)絡(luò)自調(diào)節(jié)使得解碼值xxhbw,。自編碼網(wǎng)絡(luò)是棧式自編碼網(wǎng)絡(luò)的基本組成單元，它是通過疊加數(shù)個自編碼網(wǎng)絡(luò)形成的網(wǎng)絡(luò)模型，SAE網(wǎng)絡(luò)模型如圖2.3所示：圖2.3SAE網(wǎng)絡(luò)模型Figure2.3SAEnetworkmodelSAE網(wǎng)絡(luò)因為是由自編碼網(wǎng)絡(luò)疊加而成，所以學(xué)習(xí)方式跟自編碼一樣是無監(jiān)督學(xué)習(xí)，該網(wǎng)絡(luò)以這種學(xué)習(xí)方式逐層訓(xùn)練，這種訓(xùn)練過程有效避免誤差積累，能夠提取不錯的高階

【參考文獻】：
期刊論文
[1]深度學(xué)習(xí)在圖像識別中的應(yīng)用研究綜述[J]. 鄭遠攀,李廣陽,李曄.  計算機工程與應(yīng)用. 2019(12)
[2]基于深度學(xué)習(xí)的ARM平臺實時人臉識別[J]. 方國康,李俊,王垚儒.  計算機應(yīng)用. 2019(08)
[3]基于視覺跟蹤的實時視頻人臉識別[J]. 任梓涵,楊雙遠.  廈門大學(xué)學(xué)報(自然科學(xué)版). 2018(03)
[4]基于流形結(jié)構(gòu)的人臉民族特征研究[J]. 王存睿,張慶靈,段曉東,王元剛,李澤東.  自動化學(xué)報. 2018(01)
[5]基于改進的Fisher準則的多示例學(xué)習(xí)視頻人臉識別算法[J]. 王玉,申鉉京,陳海鵬.  自動化學(xué)報. 2018(12)
[6]基于深度學(xué)習(xí)的圖像識別處理[J]. 林杰,李如意.  網(wǎng)絡(luò)安全技術(shù)與應(yīng)用. 2017(11)
[7]基于雙重優(yōu)化的卷積神經(jīng)網(wǎng)絡(luò)圖像識別算法[J]. 劉萬軍,梁雪劍,曲海成.  模式識別與人工智能. 2016(09)
[8]基于深度反卷積網(wǎng)絡(luò)的虹膜定位方法研究[J]. 徐霄,陳陽,張飛云,喬宇.  集成技術(shù). 2016(01)
[9]基于多塊局部二值模式特征和人眼定位的人臉檢測[J]. 王小玉,張亞洲,陳德運.  儀器儀表學(xué)報. 2014(12)
[10]基于K-L變換的人臉自動識別方法[J]. 彭輝,張長水,榮鋼,邊肇祺.  清華大學(xué)學(xué)報(自然科學(xué)版). 1997(03)

博士論文
[1]基于特征學(xué)習(xí)的無約束環(huán)境下的人臉識別研究[D]. 田雷.北京郵電大學(xué) 2018

碩士論文
[1]人臉識別中人臉檢測和特征提取算法的研究[D]. 劉勝昔.南京郵電大學(xué) 2018
[2]基于稀疏表示與深度學(xué)習(xí)的人臉識別研究[D]. 溫研東.華南理工大學(xué) 2016
[3]卷積神經(jīng)網(wǎng)絡(luò)在圖像分類中的應(yīng)用研究[D]. 吳正文.電子科技大學(xué) 2015
[4]基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分類方法研究[D]. 謝寶劍.合肥工業(yè)大學(xué) 2015
[5]基于卷積神經(jīng)網(wǎng)絡(luò)的人臉識別研究[D]. 葉浪.東南大學(xué) 2015
[6]基于深度學(xué)習(xí)的人臉識別研究[D]. 林妙真.大連理工大學(xué) 2013



本文編號：3297116