生物特征識(shí)別作為計(jì)算機(jī)視覺的一個(gè)研究方向,一直受到國內(nèi)外學(xué)者及各大企事業(yè)單位的廣泛關(guān)注。作為生物特征識(shí)別技術(shù)中重要的研究方向,人臉識(shí)別技術(shù)由于其較高的商業(yè)價(jià)值和極為廣闊的應(yīng)用前景,發(fā)展尤為迅速。然而,盡管人臉識(shí)別技術(shù)己經(jīng)發(fā)展了幾十年,由于涉及復(fù)雜的現(xiàn)實(shí)場(chǎng)景應(yīng)用,目前依舊存在許多的技術(shù)瓶頸尚未突破。本文沿著人臉識(shí)別的系統(tǒng)脈絡(luò),對(duì)其中的部分關(guān)鍵技術(shù)展開研究。選擇CASIA-WebFace數(shù)據(jù)集作為訓(xùn)練集,采集部分人臉關(guān)鍵點(diǎn),利用四元組與歐拉角轉(zhuǎn)換對(duì)人臉姿態(tài)角進(jìn)行判斷,并對(duì)滿足約束條件的人臉圖像進(jìn)行篩選,然后利用圖像多尺度變換對(duì)訓(xùn)練集進(jìn)行小樣本擴(kuò)充,并將其歸一化。將深度卷積網(wǎng)絡(luò)與殘差網(wǎng)絡(luò)結(jié)合,優(yōu)化為zxzres-cnn網(wǎng)絡(luò),并使用AM-Softmax作為目標(biāo)函數(shù),對(duì)經(jīng)過預(yù)處理的訓(xùn)練集進(jìn)行訓(xùn)練。避免了網(wǎng)絡(luò)出現(xiàn)過擬合、梯度消失及深度模型退化問題,利用測(cè)試集對(duì)模型測(cè)試,識(shí)別率最高達(dá)到99.9709%。訓(xùn)練完成后,采集非理想條件下的人臉視頻序列圖像,并輸入網(wǎng)絡(luò)進(jìn)行測(cè)試。利用夾角余弦相似度方法對(duì)人臉圖像進(jìn)行對(duì)比。最后,利用Python語言及C語言,將zxzres-cnn算法成功移植至可視化程序中,對(duì)系...

【文章頁數(shù)】：64 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀及發(fā)展趨勢(shì)
        1.2.1 人臉檢測(cè)研究
        1.2.2 基于傳統(tǒng)特征描述子人臉識(shí)別研究
        1.2.3 基于深度學(xué)習(xí)的人臉識(shí)別研究
        1.2.4 魯棒分類器設(shè)計(jì)問題研究
        1.2.5 魯棒特征提取問題研究
        1.2.6 發(fā)展趨勢(shì)
    1.3 論文主要工作與章節(jié)安排
第2章 算法構(gòu)造
    2.1 常用人臉識(shí)別數(shù)據(jù)庫對(duì)比及應(yīng)用
        2.1.1 經(jīng)典人臉數(shù)據(jù)集介紹
        2.1.2 數(shù)據(jù)集選擇及預(yù)處理
    2.2 構(gòu)造zxzres-cnn深度殘差卷積網(wǎng)絡(luò)
    2.3 構(gòu)造損失函數(shù)AM-Softmax
    2.4 模型訓(xùn)練
    2.5 訓(xùn)練結(jié)果
第3章 模型測(cè)試
    3.1 特征層選擇及注冊(cè)人臉特征入庫
    3.2 視頻流中人臉圖像序列化
    3.3 圖像人臉檢測(cè)與前處理
        3.3.1 真實(shí)場(chǎng)景人臉識(shí)別數(shù)據(jù)庫制作
        3.3.2 網(wǎng)絡(luò)拼接圖數(shù)據(jù)集制作
        3.3.3 前處理
    3.4 人臉比對(duì)
    3.5 測(cè)試結(jié)果
第4章 測(cè)試與結(jié)果
結(jié)論
參考文獻(xiàn)
致謝



本文編號(hào)：3782389