【摘要】：大數據蘊含大發(fā)展,結合不斷提升的高性能計算機更是給機器視覺技術帶來日新月異的發(fā)展。深度卷積神經網絡也正是借著這股力量才大放異彩,其主要應用包括語音識別、圖像處理、自然語言處理等。本文就當前大環(huán)境下研究了卷積神經網絡模型在靜態(tài)環(huán)境下人臉識別領域的應用。相對傳統(tǒng)人臉識別方法而言,卷積神經網絡模型不需要人工進行大量而又復雜的特征提取算法設計,僅需要設計一個可行的網絡模型,再將大量的人臉訓練數據集加載到網絡模型中,然后進行自動訓練,這樣就可以得到很好的識別率。把訓練好的模型保存下來,那么這個模型就是一個端到端的人臉特征提取器。該方法雖然操作簡單,但是需要根據訓練數據集設計合理的網絡結構,而且最難的關鍵點是超參數的調整和優(yōu)化算法的設計。因此本文結合殘差網絡和融合網絡構建了兩個與計算資源和數據資源相匹配的網絡模型,并通過反復調整超參數和調試優(yōu)化器使其在訓練集上能夠收斂,最終還取得較好的識別率。本文的主要研究內容和創(chuàng)新點如下:1.介紹了卷積神經網絡的基礎理論知識。卷積神經網絡本質上是深層次的稀疏的傳統(tǒng)人工神經網絡,因此本文先從傳統(tǒng)人工神經網絡的模型結構、前向和反向傳播算法進行了詳細的分析;然后過渡到卷積神經網絡的相關理論,對其重要組成部分如卷積層、激勵層、池化層和全連接層進行了具體的闡述;最后對卷積神經網絡訓練時的一些注意事項進行了說明。2.對深度學習框架TensorFlow的系統(tǒng)架構和編程模型作了一些說明,并對人臉數據進行預處理,包括人臉檢測、數據增強、圖像標準化和人臉中心損失。3.提出了基于改進的MyVGGNet和MySqueezeNet網絡的人臉識別。首先分析了模型VGGNet-16和SqueezeNet的網絡結構及相關參數,然后本文提出將原VGGNet-16和SqueezeNet的網絡結構和參數進行優(yōu)化,并在每個卷積層和激勵層之間添加批歸一化層,在VGGNet-16網絡末尾用1個1×1的卷積層代替三個全連接層,還增加全局平均池化層,得到新的MyVGGNet和MySqueezeNet模型,最終這兩個模型不僅解決原模型對硬件要求高、有限數據量產生過擬合等問題,還成功應用到人臉識別的任務中。這樣就遷移了原網絡,在人臉識別任務中更容易獲得最優(yōu)解,最后在LFW數據集上分別獲得94.3%和95.1%的準確率。4.提出了基于二叉樹型融合網絡BTreeFuseNet_v1和BTreeFuseNet_v2的人臉識別。首先對深度神經網絡的優(yōu)化問題和融合原理作了分析;然后結合殘差學習,融入分支并行、融合和級聯三種結構,采用ReLU函數、BN層、Dropout層、哈維爾方法和截斷高斯函數初始化方法、Adam優(yōu)化器等技巧,構建了兩個層次深度為22和19的網絡模型BTreeFuseNet_v1和BTreeFuseNet_v2,并詳細說明了這兩個網絡模型的基本構成、整體架構和模型參數;最后在FaceScrub數據集上連續(xù)訓練,同時調整網絡參數,獲取較好的模型,再在LFW測試集上進行人臉驗證,并且分別取得94.9%和95.5%的準確率。
[Abstract]:......
【學位授予單位】：廣西師范大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：TP391.41;TP183

【參考文獻】

相關期刊論文 前4條

1 申文濤;丁曉青;劉長松;梁亦聰;;自助通關系統(tǒng)中人臉認證的應用[J];計算機工程與設計;2015年10期

2 李子青;;人臉識別結合視頻監(jiān)控 看公安與金融市場應用[J];中國安防;2015年15期

3 蘇光大;;人臉識別在社會公共安全領域的應用[J];中國安防;2015年14期

4 劉穎超,張紀元;梯度下降法[J];南京理工大學學報(自然科學版);1993年02期

相關博士學位論文 前4條

1 李根;基于局部特征和進化算法的人臉識別[D];吉林大學;2014年

2 湯德俊;人臉識別中圖像特征提取與匹配技術研究[D];大連海事大學;2013年

3 王先基;基于統(tǒng)計學習的自動人臉識別算法研究[D];中國科學技術大學;2007年

4 山世光;人臉識別中若干關鍵問題的研究[D];中國科學院研究生院（計算技術研究所）;2004年

相關碩士學位論文 前2條

1 葉浪;基于卷積神經網絡的人臉識別研究[D];東南大學;2015年

2 李艷;基于小波變換和PCA類方法的人臉識別技術研究[D];西安電子科技大學;2014年

，

本文編號：2326737