生物特征識別作為計算機視覺的一個研究方向,一直受到國內外學者及各大企事業(yè)單位的廣泛關注。作為生物特征識別技術中重要的研究方向,人臉識別技術由于其較高的商業(yè)價值和極為廣闊的應用前景,發(fā)展尤為迅速。然而,盡管人臉識別技術己經發(fā)展了幾十年,由于涉及復雜的現實場景應用,目前依舊存在許多的技術瓶頸尚未突破。本文沿著人臉識別的系統(tǒng)脈絡,對其中的部分關鍵技術展開研究。選擇CASIA-WebFace數據集作為訓練集,采集部分人臉關鍵點,利用四元組與歐拉角轉換對人臉姿態(tài)角進行判斷,并對滿足約束條件的人臉圖像進行篩選,然后利用圖像多尺度變換對訓練集進行小樣本擴充,并將其歸一化。將深度卷積網絡與殘差網絡結合,優(yōu)化為zxzres-cnn網絡,并使用AM-Softmax作為目標函數,對經過預處理的訓練集進行訓練。避免了網絡出現過擬合、梯度消失及深度模型退化問題,利用測試集對模型測試,識別率最高達到99.9709%。訓練完成后,采集非理想條件下的人臉視頻序列圖像,并輸入網絡進行測試。利用夾角余弦相似度方法對人臉圖像進行對比。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,對系...

【文章頁數】：64 頁

【學位級別】：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 國內外研究現狀及發(fā)展趨勢
        1.2.1 人臉檢測研究
        1.2.2 基于傳統(tǒng)特征描述子人臉識別研究
        1.2.3 基于深度學習的人臉識別研究
        1.2.4 魯棒分類器設計問題研究
        1.2.5 魯棒特征提取問題研究
        1.2.6 發(fā)展趨勢
    1.3 論文主要工作與章節(jié)安排
第2章 算法構造
    2.1 常用人臉識別數據庫對比及應用
        2.1.1 經典人臉數據集介紹
        2.1.2 數據集選擇及預處理
    2.2 構造zxzres-cnn深度殘差卷積網絡
    2.3 構造損失函數AM-Softmax
    2.4 模型訓練
    2.5 訓練結果
第3章 模型測試
    3.1 特征層選擇及注冊人臉特征入庫
    3.2 視頻流中人臉圖像序列化
    3.3 圖像人臉檢測與前處理
        3.3.1 真實場景人臉識別數據庫制作
        3.3.2 網絡拼接圖數據集制作
        3.3.3 前處理
    3.4 人臉比對
    3.5 測試結果
第4章 測試與結果
結論
參考文獻
致謝



本文編號：3782389