發(fā)布時(shí)間：2021-09-05 16:02

　　近幾年,人工智能技術(shù)飛速發(fā)展,使之在很多領(lǐng)域中加以運(yùn)用。機(jī)器快速檢測(cè)并識(shí)別目標(biāo)的問(wèn)題,一直是機(jī)器視覺(jué)領(lǐng)域的熱點(diǎn)。具有唯一性的人臉是最自然的身份識(shí)別方式,人臉識(shí)別相對(duì)于其他識(shí)別方法的優(yōu)點(diǎn)是方便快捷,安全性高,易于實(shí)現(xiàn)和安裝。目前已在門禁系統(tǒng)、攝像系統(tǒng)、考勤系統(tǒng)和金融系統(tǒng)等領(lǐng)域得到了廣泛的應(yīng)用。傳統(tǒng)的人臉識(shí)別算法采用的是針對(duì)人臉的特征點(diǎn)之間的距離或者基于人臉的子空間模型,通過(guò)輸入圖像與訓(xùn)練好的特征做比對(duì),能夠達(dá)到很好的效果。但當(dāng)受到外界干擾,比如遮光逆光、臉部姿態(tài)角度、帶有帽子眼睛口罩等遮擋物時(shí),嚴(yán)重的影響了識(shí)別精度。因此,尋找一種方法識(shí)別率更高,魯棒性更強(qiáng)的識(shí)別算法具有重要的意義。本文在經(jīng)典人臉識(shí)別算法的基礎(chǔ)上,提出了一種將傳統(tǒng)的特征提取與深度學(xué)習(xí)相結(jié)合的人臉識(shí)別算法。針對(duì)局部二值模式（Local Binary Patterns,LBP）算子提取的特征信息局限以及不能準(zhǔn)確描述圖像輪廓信息的問(wèn)題,使用梯度方向直方圖（Histogram of oriented gradient,HOG）和LBP分層特征融合的方法在卷積神經(jīng)網(wǎng)絡(luò)中對(duì)訓(xùn)練集進(jìn)行特征提取,再將匹配提取的特征圖像輸入改進(jìn)的卷積神經(jīng)網(wǎng)... 

【文章來(lái)源】：內(nèi)蒙古科技大學(xué)內(nèi)蒙古自治區(qū)

【文章頁(yè)數(shù)】：45 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

數(shù)據(jù)庫(kù)人臉部分圖像

圖 2.2LFW 數(shù)據(jù)庫(kù)人臉部分彩色圖像2.2典型的神經(jīng)網(wǎng)絡(luò)2.2.1 人工神經(jīng)網(wǎng)絡(luò)（ANN）人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network,ANN）的概念在20 世紀(jì)80 年代被提出來(lái)，在人工智能領(lǐng)域得到了蓬勃的發(fā)展，該網(wǎng)絡(luò)是生物神經(jīng)網(wǎng)絡(luò)基本特性的抽象和模擬。由于梯度彌散的問(wèn)題無(wú)法得到有效的解決，因此神經(jīng)網(wǎng)絡(luò)的發(fā)展也陷入了一個(gè)停滯期，一直到Hinton 提出了深度學(xué)習(xí)的概念，才使得神經(jīng)網(wǎng)絡(luò)重新煥發(fā)了生機(jī)[10]。隨著人們對(duì)仿生學(xué)的研究越來(lái)越深入，人們就設(shè)想將生物的大量神經(jīng)細(xì)胞模擬復(fù)雜的神經(jīng)網(wǎng)絡(luò)，類似于生物的信號(hào)激勵(lì)原理，構(gòu)建神經(jīng)元的型號(hào)處理模型如圖2.3 所示。神經(jīng)元的輸入信號(hào)可以由另一個(gè)神經(jīng)元的輸出信號(hào)得到，以此循環(huán)往復(fù)，就像大腦一樣，不斷調(diào)節(jié)信號(hào)的輸入與輸出達(dá)到學(xué)習(xí)的目的。訓(xùn)練的集合是通過(guò)神經(jīng)網(wǎng)絡(luò)來(lái)回修正輸入連接上的權(quán)值得到，所以權(quán)值的調(diào)節(jié)也就是網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練的過(guò)程。初始化會(huì)給與網(wǎng)絡(luò)一

隨著人們對(duì)仿生學(xué)的研究越來(lái)越深入，人們就設(shè)想將生物的大量神經(jīng)細(xì)胞模擬復(fù)雜的神經(jīng)網(wǎng)絡(luò)，類似于生物的信號(hào)激勵(lì)原理，構(gòu)建神經(jīng)元的型號(hào)處理模型如圖2.3 所示。神經(jīng)元的輸入信號(hào)可以由另一個(gè)神經(jīng)元的輸出信號(hào)得到，以此循環(huán)往復(fù)，就像大腦一樣，不斷調(diào)節(jié)信號(hào)的輸入與輸出達(dá)到學(xué)習(xí)的目的。訓(xùn)練的集合是通過(guò)神經(jīng)網(wǎng)絡(luò)來(lái)回修正輸入連接上的權(quán)值得到，所以權(quán)值的調(diào)節(jié)也就是網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練的過(guò)程。初始化會(huì)給與網(wǎng)絡(luò)一個(gè)特定的權(quán)值，然后經(jīng)過(guò)網(wǎng)絡(luò)的學(xué)習(xí)機(jī)制來(lái)修正權(quán)值，減小網(wǎng)絡(luò)的訓(xùn)練誤差，一次次的訓(xùn)練與迭代調(diào)整權(quán)值，使得訓(xùn)練樣本輸出越來(lái)越接近目標(biāo)輸入。圖2.3 生物神經(jīng)元信號(hào)激勵(lì)原理

【參考文獻(xiàn)】：
期刊論文
[1]基于深度殘差網(wǎng)絡(luò)的行人人臉識(shí)別算法研究[J]. 易鋒,胡馨瑩.  電腦知識(shí)與技術(shù). 2018(23)
[2]基于局部二值特征與深度學(xué)習(xí)的人臉識(shí)別[J]. 李騰,張寶華.  內(nèi)蒙古科技大學(xué)學(xué)報(bào). 2018(02)
[3]基于深度卷積神經(jīng)網(wǎng)絡(luò)的紅外過(guò)采樣掃描圖像點(diǎn)目標(biāo)檢測(cè)方法[J]. 林兩魁,王少游,唐忠興.  紅外與毫米波學(xué)報(bào). 2018(02)
[4]克服浮躁、深入場(chǎng)景、面向?qū)崙?zhàn) 期待2018年人臉識(shí)別的規(guī)�；瘧�(yīng)用——暨2017年安防人臉識(shí)別技術(shù)、設(shè)備、應(yīng)用盤點(diǎn)[J]. 王海增.  中國(guó)安防. 2018(Z1)
[5]基于并行深度殘差網(wǎng)絡(luò)的堆場(chǎng)煙霧檢測(cè)方法[J]. 王正來(lái),黃敏,朱啟兵,蔣勝.  激光與光電子學(xué)進(jìn)展. 2018(05)
[6]基于卷積神經(jīng)網(wǎng)絡(luò)的深度圖超分辨率重建[J]. 李素梅,雷國(guó)慶,范如.  光學(xué)學(xué)報(bào). 2017(12)
[7]基于深度卷積網(wǎng)絡(luò)算法的人臉識(shí)別方法研究[J]. 龍海強(qiáng),譚臺(tái)哲.  計(jì)算機(jī)仿真. 2017(01)
[8]不同池化模型的卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)性能研究[J]. 劉萬(wàn)軍,梁雪劍,曲海成.  中國(guó)圖象圖形學(xué)報(bào). 2016(09)
[9]基于深層卷積神經(jīng)網(wǎng)絡(luò)的單目紅外圖像深度估計(jì)[J]. 許路,趙海濤,孫韶媛.  光學(xué)學(xué)報(bào). 2016(07)
[10]基于NSCT的紅外與可見(jiàn)光圖像融合方法研究[J]. 陳木生,蔡植善.  激光與光電子學(xué)進(jìn)展. 2015(06)

碩士論文
[1]基于深度信念網(wǎng)絡(luò)的人臉識(shí)別[D]. 劉天宇.大連海事大學(xué) 2017
[2]基于協(xié)同學(xué)的深度協(xié)同神經(jīng)網(wǎng)絡(luò)研究與應(yīng)用[D]. 沈宗輝.電子科技大學(xué) 2017
[3]基于深度學(xué)習(xí)的人臉識(shí)別算法[D]. 龍海強(qiáng).廣東工業(yè)大學(xué) 2016
[4]基于多尺度池化的卷積神經(jīng)網(wǎng)絡(luò)人臉識(shí)別方法研究[D]. 吳斯.浙江大學(xué) 2016
[5]圖像匹配算法的研究與應(yīng)用[D]. 張耀宗.太原理工大學(xué) 2010



本文編號(hào)：3385651