人臉識(shí)別技術(shù)是一種依靠人的臉部特征信息來(lái)進(jìn)行身份識(shí)別的生物識(shí)別技術(shù),由于其直觀、可靠和穩(wěn)定等優(yōu)點(diǎn),在身份認(rèn)證場(chǎng)景、證件驗(yàn)證場(chǎng)景和人臉檢索場(chǎng)景等多個(gè)場(chǎng)景下都有廣泛的應(yīng)用。國(guó)內(nèi)外學(xué)者提出了許多的人臉識(shí)別算法,但當(dāng)前的人臉識(shí)別算法依舊存在兩個(gè)方面的問(wèn)題:一方面人臉識(shí)別算法在部分公開數(shù)據(jù)集上的識(shí)別率仍然較低;另一方面當(dāng)下主流的人臉識(shí)別算法大多使用卷積神經(jīng)網(wǎng)路作為特征提取模塊,卷積神經(jīng)網(wǎng)絡(luò)的使用會(huì)造成了人臉識(shí)別算法的訓(xùn)練時(shí)間過(guò)長(zhǎng)。本文充分調(diào)研了大量關(guān)于卷積神經(jīng)網(wǎng)絡(luò)和人臉識(shí)別領(lǐng)域的論文和報(bào)告,做了如下工作:(1)通過(guò)對(duì)人臉識(shí)別網(wǎng)絡(luò)Sphereface20中特征提取、激活函數(shù)和損失函數(shù)等方面的分析,本文運(yùn)用SE-Res Net模塊、Swish激活函數(shù)對(duì)原網(wǎng)絡(luò)進(jìn)行了優(yōu)化,得到了人臉識(shí)別網(wǎng)絡(luò)SERes Net-20。SE-Res Net-20網(wǎng)絡(luò)中SE-Res Net模塊的使用提升了人臉圖像特征提取的效果,Swish激活函數(shù)的使用提高了網(wǎng)絡(luò)的非線性擬合能力。最終使用CASIA-Webface數(shù)據(jù)集進(jìn)行訓(xùn)練后,SE-Res Net-20網(wǎng)絡(luò)在LFW數(shù)據(jù)集和Mega Face數(shù)據(jù)集上的識(shí)別率分別為99.37...

【文章頁(yè)數(shù)】：67 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 課題研究背景及意義
    1.2 課題相關(guān)領(lǐng)域的發(fā)展現(xiàn)狀
    1.3 論文主要研究?jī)?nèi)容
    1.4 論文的組織結(jié)構(gòu)
    1.5 本章小結(jié)
第2章 卷積神經(jīng)網(wǎng)絡(luò)的理論基礎(chǔ)介紹
    2.1 卷積神經(jīng)網(wǎng)絡(luò)概述
        2.1.1 卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練的基本步驟
        2.1.2 局部感知和權(quán)值共享
    2.2 卷積神經(jīng)網(wǎng)絡(luò)歷史發(fā)展
    2.3 卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)
        2.3.1 卷積層
        2.3.2 池化層
        2.3.3 全連接層
        2.3.4 激活函數(shù)
    2.4 卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)改進(jìn)和訓(xùn)練優(yōu)化
        2.4.1 數(shù)據(jù)增強(qiáng)和數(shù)據(jù)預(yù)處理
        2.4.2 權(quán)重初始化和學(xué)習(xí)率設(shè)定
        2.4.3 隨機(jī)失活
        2.4.4 歸一化處理
    2.5 本章小結(jié)
第3章人臉識(shí)別算法SE-Res Net-20
    3.1 常用的人臉數(shù)據(jù)集
        3.1.1 CASIA-WebFace數(shù)據(jù)集
        3.1.2 LFW數(shù)據(jù)集
        3.1.3 MegaFace數(shù)據(jù)集
    3.2 人臉檢測(cè)算法MTCNN
    3.3 人臉識(shí)別算法Sphereface
        3.3.1 Sphereface網(wǎng)絡(luò)結(jié)構(gòu)
        3.3.2 A-Softmax損失函數(shù)
    3.4 本文設(shè)計(jì)的人臉識(shí)別算法SE-ResNet-20
        3.4.1 SE-ResNet-20 的算法流程
        3.4.2 特征提取網(wǎng)絡(luò)設(shè)計(jì)
            3.4.2.1 SE-ResNet模塊
            3.4.2.2 Swish激活函數(shù)
            3.4.2.3 SE-ResNet-20 的特征提取模塊
    3.5 本章實(shí)驗(yàn)分析
        3.5.1 實(shí)驗(yàn)環(huán)境
        3.5.2 圖像預(yù)處理
        3.5.3 訓(xùn)練步驟
        3.5.4 測(cè)試結(jié)果及分析
    3.6 本章小結(jié)
第4章 卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練優(yōu)化
    4.1 分布式卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練概述
    4.2 基于同步隨機(jī)梯度下降法的CaffeOnSpark
    4.3 本文設(shè)計(jì)的卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法
    4.4 本章實(shí)驗(yàn)分析
        4.4.1 SE-ResNet-20 算法的分布式訓(xùn)練
        4.4.2 實(shí)驗(yàn)環(huán)境
        4.4.3 實(shí)驗(yàn)結(jié)果及分析
    4.5 本章小結(jié)
第5章 人臉識(shí)別系統(tǒng)的設(shè)計(jì)及實(shí)現(xiàn)
    5.1 系統(tǒng)需求分析
    5.2 系統(tǒng)總體結(jié)構(gòu)設(shè)計(jì)
    5.3 系統(tǒng)子模塊的功能設(shè)計(jì)與實(shí)現(xiàn)
        5.3.1 圖像采集模塊
        5.3.2 人臉檢測(cè)模塊
        5.3.3 圖像預(yù)處理模塊
        5.3.4 人臉識(shí)別模塊
        5.3.5 系統(tǒng)管理模塊
    5.4 系統(tǒng)測(cè)試與分析
        5.4.1 系統(tǒng)功能測(cè)試
            5.4.1.1 圖像采集模塊測(cè)試
            5.4.1.2 人臉檢測(cè)模塊測(cè)試
            5.4.1.3 預(yù)處理模塊測(cè)試
            5.4.1.4 人臉識(shí)別模塊測(cè)試
            5.4.1.5 系統(tǒng)管理模塊測(cè)試
        5.4.2 人臉識(shí)別率測(cè)試
        5.4.3 多光照人臉測(cè)試
        5.4.4 多角度人臉測(cè)試
    5.5 本章小結(jié)
第6章 總結(jié)與展望
    6.1 本文工作總結(jié)
    6.2 未來(lái)展望
致謝
參考文獻(xiàn)
附錄



本文編號(hào)：3734840