近年來,隨著機器人技術(shù)的發(fā)展和成熟,迎賓機器人已逐漸滲透到我們生活中。在迎賓機器人進行人機交互的時候,人臉識別具有舉足輕重的作用。因此,本文以迎賓機器人—渝驕機器人為實驗平臺,設(shè)計了一套抗眼鏡遮擋的人臉識別系統(tǒng)。具體的,本文的主要研究內(nèi)容如下:（1）本文設(shè)計了在一定程度上能夠去除人臉眼鏡的去遮擋方案。首先本文通過調(diào)研找出當前主要的去遮擋方案,并選擇了以GAN（Generative Adversarial Nets）為主體的去遮擋架構(gòu)作為本文的研究內(nèi)容,然后對GAN進行改進,最后制作樣本集對其進行訓練并取出其中的生成器模型作為去眼鏡遮擋模型。通過測試,使用去遮擋的人臉識別系統(tǒng)能夠滿足渝驕機器人的抗遮擋需求。（2）本文設(shè)計了基于改進FaceNet的人臉識別方案。通過分析傳統(tǒng)神經(jīng)元的優(yōu)缺點,得出:以標量表示的傳統(tǒng)神經(jīng)元模型限制了整個網(wǎng)絡(luò)的特征表達能力。因此,本文使用新型神經(jīng)元—capsule（以向量表示神經(jīng)元模型,使得神經(jīng)元能夠表征更多的信息）組成的神經(jīng)網(wǎng)絡(luò)代替FaceNet的最后的平均池化層和全連接層,以此來增強網(wǎng)絡(luò)的特征表達能力。通過測試,在正常光照下,使用改進FaceNet的人臉識別系... 

【文章來源】：重慶大學重慶市211工程院校985工程院校教育部直屬院校

【文章頁數(shù)】：66 頁

【學位級別】：碩士

【文章目錄】：
中文摘要
英文摘要
1 緒論
    1.1 課題研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 迎賓機器人研究現(xiàn)狀
        1.2.2 人臉識別研究現(xiàn)狀
    1.3 本文主要研究內(nèi)容及章節(jié)安排
2 深度學習基礎(chǔ)知識
    2.1 卷積神經(jīng)網(wǎng)絡(luò)的構(gòu)成
    2.2 卷積神經(jīng)網(wǎng)絡(luò)的優(yōu)化
    2.3 神經(jīng)網(wǎng)絡(luò)的訓練及常見的優(yōu)化算法
        2.3.1 神經(jīng)網(wǎng)絡(luò)的訓練
        2.3.2 常見的優(yōu)化算法
    2.4 本章小結(jié)
3 人臉檢測算法選擇
    3.1 基于Haar特征的Adaboost級聯(lián)人臉檢測
    3.2 基于級聯(lián)CNN的人臉檢測
    3.3 基于SSD的人臉檢測
    3.4 方法對比
    3.5 本章小結(jié)
4 抗眼鏡遮擋算法的設(shè)計與實現(xiàn)
    4.1 生成對抗網(wǎng)絡(luò)模型
    4.2 改進生成器與判別器網(wǎng)絡(luò)
        4.2.1 改進生成器網(wǎng)絡(luò)
        4.2.2 改進判別器網(wǎng)絡(luò)
    4.3 人臉去遮擋模型及其訓練
        4.3.1 人臉去遮擋模型
        4.3.2 制作數(shù)據(jù)集
        4.3.3 人臉去遮擋模型的訓練
    4.4人臉去遮擋實驗
        4.4.1 實驗流程
        4.4.2 實驗結(jié)果對比與分析
    4.5 本章小結(jié)
5 人臉識別算法選擇與優(yōu)化
    5.1 人臉識別算法選擇
        5.1.1 基于DeepID的人臉識別
        5.1.2 基于FaceNet的人臉識別
        5.1.3 人臉識別方法對比
    5.2 基于capsule的改進FaceNet網(wǎng)絡(luò)
        5.2.1 capsule神經(jīng)元模型
        5.2.2 傳統(tǒng)神經(jīng)元與capsule神經(jīng)元模型對比
        5.2.3 改進FaceNet
        5.2.4 訓練與測試
    5.3 本章小結(jié)
6 渝驕機器人人臉識別系統(tǒng)設(shè)計的實現(xiàn)
    6.1 渝驕機器人硬件平臺
    6.2 人臉識別系統(tǒng)的軟件實現(xiàn)
    6.3 實驗測試
        6.3.1 實驗一
        6.3.2 實驗二
        6.3.3 實驗三
        6.3.4 實驗四
        6.3.5 實驗五
        6.3.6 實驗六
        6.3.7 實驗七
    6.4 本章小結(jié)
7 總結(jié)與展望
    7.1 總結(jié)
    7.2 展望
參考文獻
附錄
    A 作者在攻讀碩士學位期間申請的專利
    B 作者在攻讀碩士學位期間參與的項目
    C 學位論文數(shù)據(jù)集
致謝


【參考文獻】：
期刊論文
[1]迎賓機器人的控制系統(tǒng)設(shè)計[J]. 肖鳳,覃琳.  電腦迷. 2018(08)
[2]服務(wù)型機器人的發(fā)展與應(yīng)用[J]. 張童,許崇偉,劉智慧.  數(shù)碼世界. 2018(03)
[3]有遮擋人臉識別綜述:從子空間回歸到深度學習[J]. 李小薪,梁榮華.  計算機學報. 2018(01)
[4]辯證解析機器人對日本經(jīng)濟的影響[J]. 馮昭奎.  日本學刊. 2016(03)
[5]服務(wù)機器人的現(xiàn)狀及其發(fā)展趨勢[J]. 嵇鵬程,沈惠平.  常州大學學報(自然科學版). 2010(02)
[6]機器人時代已經(jīng)來臨[J]. 杜以會.  科學之友（A版）. 2009(08)
[7]基于模板匹配與支持矢量機的人臉檢測[J]. 梁路宏,艾海舟,肖習攀,葉航軍,徐光祐,張鈸.  計算機學報. 2002(01)
[8]“863”計劃 智能機器人研究進展[J]. 盧桂章.  機器人技術(shù)與應(yīng)用. 1995(01)

碩士論文
[1]面向迎賓機器人的人臉識別關(guān)鍵技術(shù)研究[D]. 石光耀.重慶大學 2017
[2]基于H.264/AVC誤差補償?shù)聂敯粢曨l水印算法研究[D]. 彭林.江西理工大學 2016
[3]自主服務(wù)機器人在智能樓宇系統(tǒng)中的應(yīng)用研究[D]. 林凱.廈門大學 2014
[4]基于主動形狀模型人臉識別算法的研究與實現(xiàn)[D]. 魏偉.復(fù)旦大學 2012
[5]基于改進型主動外觀模型的面部特征定位與人臉識別方法研究[D]. 常虹.合肥工業(yè)大學 2009



本文編號：3636021