近幾年,人工智能技術(shù)飛速發(fā)展,使之在很多領(lǐng)域中加以運用。機器快速檢測并識別目標(biāo)的問題,一直是機器視覺領(lǐng)域的熱點。具有唯一性的人臉是最自然的身份識別方式,人臉識別相對于其他識別方法的優(yōu)點是方便快捷,安全性高,易于實現(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)的人臉識別算法采用的是針對人臉的特征點之間的距離或者基于人臉的子空間模型,通過輸入圖像與訓(xùn)練好的特征做比對,能夠達到很好的效果。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,嚴(yán)重的影響了識別精度。因此,尋找一種方法識別率更高,魯棒性更強的識別算法具有重要的意義。本文在經(jīng)典人臉識別算法的基礎(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)合的人臉識別算法。針對局部二值模式（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)中對訓(xùn)練集進行特征提取,再將匹配提取的特征圖像輸入改進的卷積神經(jīng)網(wǎng)... 

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

【文章頁數(shù)】：45 頁

【學(xué)位級別】：碩士

【部分圖文】：

數(shù)據(jù)庫人臉部分圖像

圖 2.2LFW 數(shù)據(jù)庫人臉部分彩色圖像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，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。由于梯度彌散的問題無法得到有效的解決，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[10]。隨著人們對仿生學(xué)的研究越來越深入，人們就設(shè)想將生物的大量神經(jīng)細胞模擬復(fù)雜的神經(jīng)網(wǎng)絡(luò)，類似于生物的信號激勵原理，構(gòu)建神經(jīng)元的型號處理模型如圖2.3 所示。神經(jīng)元的輸入信號可以由另一個神經(jīng)元的輸出信號得到，以此循環(huán)往復(fù)，就像大腦一樣，不斷調(diào)節(jié)信號的輸入與輸出達到學(xué)習(xí)的目的。訓(xùn)練的集合是通過神經(jīng)網(wǎng)絡(luò)來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)練的過程。初始化會給與網(wǎng)絡(luò)一

隨著人們對仿生學(xué)的研究越來越深入，人們就設(shè)想將生物的大量神經(jīng)細胞模擬復(fù)雜的神經(jīng)網(wǎng)絡(luò)，類似于生物的信號激勵原理，構(gòu)建神經(jīng)元的型號處理模型如圖2.3 所示。神經(jīng)元的輸入信號可以由另一個神經(jīng)元的輸出信號得到，以此循環(huán)往復(fù)，就像大腦一樣，不斷調(diào)節(jié)信號的輸入與輸出達到學(xué)習(xí)的目的。訓(xùn)練的集合是通過神經(jīng)網(wǎng)絡(luò)來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)練的過程。初始化會給與網(wǎng)絡(luò)一個特定的權(quán)值，然后經(jīng)過網(wǎng)絡(luò)的學(xué)習(xí)機制來修正權(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)練樣本輸出越來越接近目標(biāo)輸入。圖2.3 生物神經(jīng)元信號激勵原理

【參考文獻】：
期刊論文
[1]基于深度殘差網(wǎng)絡(luò)的行人人臉識別算法研究[J]. 易鋒,胡馨瑩.  電腦知識與技術(shù). 2018(23)
[2]基于局部二值特征與深度學(xué)習(xí)的人臉識別[J]. 李騰,張寶華.  內(nèi)蒙古科技大學(xué)學(xué)報. 2018(02)
[3]基于深度卷積神經(jīng)網(wǎng)絡(luò)的紅外過采樣掃描圖像點目標(biāo)檢測方法[J]. 林兩魁,王少游,唐忠興.  紅外與毫米波學(xué)報. 2018(02)
[4]克服浮躁、深入場景、面向?qū)崙?zhàn) 期待2018年人臉識別的規(guī)�；瘧�(yīng)用——暨2017年安防人臉識別技術(shù)、設(shè)備、應(yīng)用盤點[J]. 王海增.  中國安防. 2018(Z1)
[5]基于并行深度殘差網(wǎng)絡(luò)的堆場煙霧檢測方法[J]. 王正來,黃敏,朱啟兵,蔣勝.  激光與光電子學(xué)進展. 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,雷國慶,范如.  光學(xué)學(xué)報. 2017(12)
[7]基于深度卷積網(wǎng)絡(luò)算法的人臉識別方法研究[J]. 龍海強,譚臺哲.  計算機仿真. 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]. 劉萬軍,梁雪劍,曲海成.  中國圖象圖形學(xué)報. 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[J]. 許路,趙海濤,孫韶媛.  光學(xué)學(xué)報. 2016(07)
[10]基于NSCT的紅外與可見光圖像融合方法研究[J]. 陳木生,蔡植善.  激光與光電子學(xué)進展. 2015(06)

碩士論文
[1]基于深度信念網(wǎng)絡(luò)的人臉識別[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)的人臉識別算法[D]. 龍海強.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：3385651