【摘要】：基于人臉圖像的性別識別技術,不僅能夠為各個相關領域提供個人基礎信息,還可以提高人類身份特征識別的準確率,人臉性別識別技術是人臉圖像研究的熱點。在眾多圖像識別的方法中,卷積神經(jīng)網(wǎng)絡(CNN)對二維圖像的處理有結構上的優(yōu)勢,對圖像的旋轉、位移等變形的識別有著很好的魯棒性,已獲得了廣泛的應用。研究卷積神經(jīng)網(wǎng)絡并運用于人臉性別識別,有理論意義和實際應用價值。本文深入研究了以卷積神經(jīng)網(wǎng)絡為基礎的人臉性別識別方法,主要做了如下工作:1.概述了卷積神經(jīng)網(wǎng)絡和人臉性別識別技術的研究現(xiàn)狀,對卷積神經(jīng)網(wǎng)絡在人臉性別識別研究中所涉及的相關理論與技術做了詳細的綜述。2.通過對卷積神經(jīng)網(wǎng)絡訓練過程的研究分析,針對其收斂速度慢的問題,提出了采用粒子群算法(PSO)改進卷積神經(jīng)網(wǎng)絡的方法,即將卷積神經(jīng)網(wǎng)絡的訓練參數(shù)和誤差函數(shù)分別作為PSO的粒子和適應度函數(shù),以此來改進卷積神經(jīng)網(wǎng)絡,仿真結果表明:與常規(guī)卷積神經(jīng)網(wǎng)絡比較收斂速度有所提高。3.設計了一種用于人臉性別識別的FGI(Face Gender Identification)卷積神經(jīng)網(wǎng)絡模型,包含一個局部二值模式(LBP)預處理層、兩個卷積層、兩個下采樣層和一個全連接層,仿真結果表明:與LeNet-5模型比較識別精度稍有提高。4.把PSO改進卷積神經(jīng)網(wǎng)絡算法的FGI網(wǎng)絡模型(PSO-CNN算法)應用在AR人臉數(shù)據(jù)庫進行仿真實驗,通過與經(jīng)典BP神經(jīng)網(wǎng)絡識別方法、常規(guī)卷積神經(jīng)網(wǎng)絡識別方法以及有遮擋飾物的人臉圖像的對比實驗,驗證了PSO-CNN算法對人臉性別的識別精度高、訓練過程收斂速度快、且有很好的魯棒性,表明PSO-CNN算法是一種有效的人臉性別識別方法。
[Abstract]:Gender recognition technology based on face image can not only provide basic personal information for all related fields, but also improve the accuracy of human identity recognition. The technology of face gender recognition is a hot topic in the research of face image. Among the many image recognition methods, convolution neural network (CNN) has structural advantages in processing two-dimensional images, good robustness to image rotation, displacement and other deformation recognition, and has been widely used. It has theoretical and practical value to study convolution neural network and apply it to face gender recognition. In this paper, the method of face gender recognition based on convolution neural network is studied in depth, and the main work is as follows: 1. This paper summarizes the research status of convolution neural network and face gender recognition technology, and makes a detailed review of the related theories and techniques involved in the research of convolution neural network in face gender recognition. 2. Based on the research and analysis of the training process of convolution neural network, a method of improving convolution neural network based on particle swarm optimization (PSO) is put forward to solve the problem of slow convergence of the convolution neural network. The training parameters and error function of convolution neural network are used as particle and fitness function of PSO respectively to improve the convolution neural network. The simulation results show that the convergence rate of convolution neural network is higher than that of conventional convolution neural network. 3. The convergence rate of convolution neural network is higher than that of conventional convolution neural network. A FGI (Face Gender Identification) convolution neural network model for face gender recognition is designed, which consists of a local binary pattern (LBP) pre-processing layer, two convolution layers, two lower sampling layers and a full connection layer. The simulation results show that compared with the LeNet-5 model, the recognition accuracy is improved slightly. 4. The FGI network model of PSO improved convolution neural network algorithm (PSO-CNN algorithm) is applied to the AR face database to carry on the simulation experiment. By using the classical BP neural network recognition method, the simulation experiment is carried out. The conventional convolutional neural network recognition method and the contrast experiment of face images with occluded ornaments show that the PSO-CNN algorithm has high accuracy, fast convergence rate and good robustness in the training process. It is shown that PSO-CNN algorithm is an effective method for face gender recognition.
【學位授予單位】：山西師范大學
【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10條

1 盧宏濤;張秦川;;深度卷積神經(jīng)網(wǎng)絡在計算機視覺中的應用研究綜述[J];數(shù)據(jù)采集與處理;2016年01期

2 胡正平;陳俊嶺;王蒙;趙淑歡;;卷積神經(jīng)網(wǎng)絡分類模型在模式識別中的新進展[J];燕山大學學報;2015年04期

3 葛明濤;王小麗;潘立武;;基于多重卷積神經(jīng)網(wǎng)絡的大模式聯(lián)機手寫文字識別[J];現(xiàn)代電子技術;2014年20期

4 滿江月;;生物特征識別技術的實現(xiàn)原理與前景分析[J];中國安防;2014年11期

5 劉建偉;劉媛;羅雄麟;;深度學習研究進展[J];計算機應用研究;2014年07期

6 劉志龍;周紅雷;張淋江;;生物識別技術在網(wǎng)絡安全中的應用[J];鄭州牧業(yè)工程高等專科學校學報;2012年04期

7 李昆侖;廖頻;;基于級聯(lián)支持向量機的人臉圖像性別識別[J];計算機工程;2012年12期

8 嚴超;王元慶;李久雪;張兆揚;;AdaBoost分類問題的理論推導[J];東南大學學報(自然科學版);2011年04期

9 張昱;謝小鵬;;基于遺傳相關向量機的圖像分類技術[J];計算機仿真;2011年05期

10 張佳康;陳慶奎;;基于CUDA技術的卷積神經(jīng)網(wǎng)絡識別算法[J];計算機工程;2010年15期

相關博士學位論文 前5條

1 曹雪;小波理論在人臉識別中的應用研究[D];南京理工大學;2012年

2 陸麗;基于人臉圖像的性別識別與年齡估計研究[D];上海交通大學;2010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 趙明華;人臉檢測和識別技術的研究[D];四川大學;2006年

5 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10條

1 尹曉燕;基于深度學習的人臉識別研究[D];天津大學;2014年

2 謝浩;基于BP神經(jīng)網(wǎng)絡及其優(yōu)化算法的汽車車速預測[D];重慶大學;2014年

3 陸慶慶;基于人臉圖像的性別分類[D];南京理工大學;2014年

4 許可;卷積神經(jīng)網(wǎng)絡在圖像識別上的應用的研究[D];浙江大學;2012年

5 蔣吉麗;基于BP神經(jīng)網(wǎng)絡的強對流天氣預報模型研究[D];電子科技大學;2010年

6 周凱;基于局部二值模式的人臉識別方法研究[D];中南大學;2009年

7 薛青松;基于改進粒子群算法的模糊神經(jīng)網(wǎng)絡研究[D];重慶大學;2008年

8 朱懷毅;人臉檢測與識別的多特征分析與系統(tǒng)實現(xiàn)[D];上海交通大學;2008年

9 李劍清;基于仿生模式識別的同調連續(xù)性的語音識別算法研究[D];浙江工業(yè)大學;2007年

10 索芳;基于面部特征的人臉識別方法研究[D];河北科技大學;2007年

，

本文編號：2434992