發(fā)布時(shí)間：2021-10-31 22:43

　　機(jī)器學(xué)習(xí)專(zhuān)門(mén)研究計(jì)算機(jī)怎樣模擬或?qū)崿F(xiàn)人類(lèi)的學(xué)習(xí)行為,以獲取新的知識(shí)或技能,為包括人臉識(shí)別領(lǐng)域的人工智能的發(fā)展做出了極大的貢獻(xiàn)。本文探索如何應(yīng)用機(jī)器學(xué)習(xí)中的一些技術(shù),使計(jì)算機(jī)更好地完成人臉識(shí)別領(lǐng)域中的人臉檢測(cè)和人臉驗(yàn)證。在人臉檢測(cè)方面,針對(duì)如何快速、準(zhǔn)確地檢出人臉的問(wèn)題,提出了一種使用特征融合的卷積神經(jīng)網(wǎng)絡(luò)。首先快速提取圖像的梯度方向直方圖（HOG）,然后使用能快速對(duì)多種物體進(jìn)行檢測(cè)的卷積神經(jīng)網(wǎng)絡(luò)YOLO提取圖像特征,最后將YOLO提取出的特征與HOG進(jìn)行融合,并將融合后的特征作為特征圖。在訓(xùn)練過(guò)程中,引入了多任務(wù)學(xué)習(xí)和復(fù)雜樣本處理,使本文提出的卷積神經(jīng)網(wǎng)絡(luò)能夠進(jìn)行目標(biāo)定位與分類(lèi),并提高訓(xùn)練效果。隨后為進(jìn)一步提高算法的性能,對(duì)學(xué)習(xí)器進(jìn)行了改進(jìn),使用隨機(jī)森林替換全連接層。在通用的人臉檢測(cè)數(shù)據(jù)集FDDB進(jìn)行的實(shí)驗(yàn)分析,證實(shí)了上述方法可大幅提高檢測(cè)人臉的性能。在人臉驗(yàn)證任務(wù)中,為準(zhǔn)確地對(duì)人臉圖像進(jìn)行身份驗(yàn)證,本文同樣應(yīng)用了使用特征融合的卷積神經(jīng)網(wǎng)絡(luò),并在損失函數(shù)方面進(jìn)行了修改。根據(jù)最鄰近算法的思想,本文使用了三元損失函數(shù),令人臉圖片之間的相似度能被更好地量化,從而提高人臉驗(yàn)證的準(zhǔn)確率。為了在使... 

【文章來(lái)源】：海南大學(xué)海南省 211工程院校

【文章頁(yè)數(shù)】：45 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 課題研究背景
    1.2 課題研究現(xiàn)狀
    1.3 主要研究工作
    1.4 論文結(jié)構(gòu)安排
2 人臉識(shí)別系統(tǒng)關(guān)鍵技術(shù)
    2.1 人工神經(jīng)網(wǎng)絡(luò)
        2.1.1 神經(jīng)元模型
        2.1.2 多層網(wǎng)絡(luò)與反向傳播算法
        2.1.3 深度學(xué)習(xí)
    2.2 手工特征提取
        2.2.1 邊緣檢測(cè)
        2.2.2 關(guān)鍵點(diǎn)提取
    2.3 機(jī)器學(xué)習(xí)的常用方法
        2.3.1 監(jiān)督學(xué)習(xí)
        2.3.2 集成學(xué)習(xí)
    2.4 本章小結(jié)
3 人臉檢測(cè)算法
    3.1 基于神經(jīng)網(wǎng)絡(luò)的的人臉檢測(cè)算法
        3.1.1 特征提取與特征融合
        3.1.2 多任務(wù)學(xué)習(xí)與復(fù)雜樣本處理
        3.1.3 判別標(biāo)準(zhǔn)
        3.1.4 用隨機(jī)森林替換全連接層
    3.2 實(shí)驗(yàn)與結(jié)果
        3.2.1 數(shù)據(jù)集介紹
        3.2.2 實(shí)驗(yàn)過(guò)程
        3.2.3 實(shí)驗(yàn)結(jié)果
    3.3 本章小結(jié)
4 人臉驗(yàn)證算法
    4.1 基于三元損失函數(shù)的人臉驗(yàn)證算法
        4.1.1 算法總體結(jié)構(gòu)
        4.1.2 三元損失函數(shù)
        4.1.3 生成三元組
    4.2 實(shí)驗(yàn)與結(jié)果
        4.2.1 數(shù)據(jù)集介紹
        4.2.2 實(shí)驗(yàn)過(guò)程
        4.2.3 實(shí)驗(yàn)結(jié)果
    4.3 本章小結(jié)
5 總結(jié)與展望
參考文獻(xiàn)
碩士期間發(fā)表論文與獲獎(jiǎng)情況
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的快速人臉檢測(cè)算法[J]. 陳益民,白勇,黎傳琛.  海南大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(04)
[2]基于主成分分析和對(duì)數(shù)幾率回歸的硬件木馬檢測(cè)[J]. 張金玲,呂蕾.  計(jì)算機(jī)工程與科學(xué). 2018(07)
[3]融合YCbCr膚色模型與改進(jìn)的Adaboost算法的人臉檢測(cè)[J]. 崔鵬,燕天天.  哈爾濱理工大學(xué)學(xué)報(bào). 2018(02)
[4]一種基于改進(jìn)LBP特征的人臉檢測(cè)方法[J]. 陶西浩,萬(wàn)定生,楊志勇.  信息技術(shù). 2018(02)
[5]基于SIFT和SURF的巖石鑄體薄片圖像特征匹配[J]. 程國(guó)建,趙媛,強(qiáng)新建,魏新善.  電腦知識(shí)與技術(shù). 2017(06)
[6]基于SVM和HOG的人臉檢測(cè)算法[J]. 趙峰.  信息技術(shù)與信息化. 2013(06)
[7]基于尺度不變特征變換和SVM的人臉檢測(cè)算法[J]. 趙驥,吳金龍,艾青.  計(jì)算機(jī)應(yīng)用與軟件. 2013(07)

博士論文
[1]基于特征子空間的跨視角步態(tài)識(shí)別研究[D]. 徐萬(wàn)江.蘇州大學(xué) 2017

碩士論文
[1]基于深度學(xué)習(xí)的軟件缺陷預(yù)測(cè)方法研究與應(yīng)用[D]. 薛參觀.南京航空航天大學(xué) 2018
[2]基于稀疏表示的人臉識(shí)別算法研究[D]. 朱偉冬.蘇州大學(xué) 2011



本文編號(hào)：3468999