【摘要】：人臉識(shí)別技術(shù)作為生物識(shí)別的一個(gè)重要組成部分,近些年來(lái)不管是在人工智能領(lǐng)域還是在其他科學(xué)領(lǐng)域中,一直都是研究的熱點(diǎn)。在實(shí)際應(yīng)用中,由于受到各種因素的影響能夠獲取的人臉數(shù)據(jù)樣本有限,甚至在有些情況下只能獲得單—的人臉數(shù)據(jù)樣本。針對(duì)這一情況本文研究如何在樣本數(shù)據(jù)不足的情況下訓(xùn)練人臉識(shí)別模型,然后將訓(xùn)練好的人臉識(shí)別模型分別應(yīng)用到Win dows和Android平臺(tái)上。本文分別從人臉數(shù)據(jù)樣本和卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)兩個(gè)方面入手,解決如何在訓(xùn)練樣本不足的情況下實(shí)現(xiàn)人臉識(shí)別。在人臉數(shù)據(jù)擴(kuò)充方面,首先構(gòu)建了ED小樣本人臉數(shù)據(jù)集,此樣本中共有90個(gè)人的單張人臉數(shù)據(jù)圖像。然后使用數(shù)據(jù)增強(qiáng)技術(shù)、對(duì)稱臉擴(kuò)充法、位平面法以及對(duì)抗生成網(wǎng)絡(luò)對(duì)小樣本人臉數(shù)據(jù)集進(jìn)行擴(kuò)充。最后將擴(kuò)充后的ED人臉數(shù)據(jù)集與ORL人臉數(shù)據(jù)集做對(duì)比實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果表明擴(kuò)充后的ED人臉數(shù)據(jù)集在網(wǎng)絡(luò)訓(xùn)練過(guò)程中與ORL人臉數(shù)據(jù)集表現(xiàn)相當(dāng)。在網(wǎng)絡(luò)結(jié)構(gòu)方面,為了構(gòu)建適合小樣本數(shù)據(jù)集的卷積神經(jīng)網(wǎng)絡(luò)模型,本文首先對(duì)VGG網(wǎng)絡(luò)模型進(jìn)行分析,從模型的參數(shù)量和計(jì)算量等方面對(duì)VGG網(wǎng)絡(luò)模型進(jìn)行改進(jìn),然后將改進(jìn)的VGG網(wǎng)絡(luò)模型與孿生神經(jīng)網(wǎng)絡(luò)相結(jié)合構(gòu)建了SVGG網(wǎng)絡(luò)模型。最后使用擴(kuò)充后的ED人臉數(shù)據(jù)集訓(xùn)練SVGG網(wǎng)絡(luò)模型,并對(duì)訓(xùn)練好的網(wǎng)絡(luò)模型進(jìn)行分析。實(shí)驗(yàn)結(jié)果表明,本文構(gòu)建的SVGG網(wǎng)絡(luò)在小樣本數(shù)據(jù)集上識(shí)別率為92.6%,明顯高于孿生神經(jīng)網(wǎng)絡(luò)在小樣本數(shù)據(jù)集上的識(shí)別率。在人臉識(shí)別應(yīng)用方面,本文使用訓(xùn)練好的SVGG網(wǎng)絡(luò)模型分別在Windows和Android平臺(tái)上實(shí)現(xiàn)了人臉識(shí)別系統(tǒng)。由于Android平臺(tái)計(jì)算能力和內(nèi)存機(jī)制的限制,增加了在Android平臺(tái)上使用卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)人臉識(shí)別的難度。因此,本文將模型的訓(xùn)練過(guò)程放在上位機(jī)中進(jìn)行,然后將訓(xùn)練好的模型移植到Android平臺(tái)上,這樣既滿足了Android平臺(tái)的硬件要求,又能保證人臉識(shí)別的效率。
【學(xué)位授予單位】：西安理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：TP391.41;TP183
【圖文】：

第六章總結(jié)與展望。本章主要對(duì)論文的工作進(jìn)行了總結(jié)，并說(shuō)明了本文還存在哪些不足之處。圖1-1 各章關(guān)系示意圖Fig.1-1 chematic diagram of the relationship between the chapters

可以同時(shí)接受多個(gè)神經(jīng)元送來(lái)的刺激信號(hào)，這些信息經(jīng)過(guò)一系列復(fù)雜的計(jì)算，最終產(chǎn)生一個(gè)確定的興奮和抑制狀態(tài)。圖2-1 神經(jīng)元示意圖Fig.2-1 Neuron schematic如圖 2-1 是單個(gè)神經(jīng)元示意圖，其中nx ,x,,x12 為輸入數(shù)據(jù)，nw ,w,w12 為每個(gè)樹(shù)突的權(quán)重，b 為神經(jīng)元的偏置，輸出為 (),hxwb。為了體現(xiàn)每個(gè)輸入數(shù)據(jù)對(duì)輸出的影響，給每個(gè)輸入的數(shù)據(jù)乘以一個(gè)權(quán)重，記作iw[27]。為了更好的擬合非線性的問(wèn)題，最后需要經(jīng)過(guò)一個(gè)非線性函數(shù)

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 胡悅;;金融市場(chǎng)中的神經(jīng)網(wǎng)絡(luò)拐點(diǎn)預(yù)測(cè)法[J];金融經(jīng)濟(jì);2017年18期

2 陳曉燕;;淺析簡(jiǎn)單神經(jīng)網(wǎng)絡(luò)的發(fā)展及簡(jiǎn)單模型[J];數(shù)字技術(shù)與應(yīng)用;2019年05期

3 遲惠生;陳珂;;1995年世界神經(jīng)網(wǎng)絡(luò)大會(huì)述評(píng)[J];國(guó)際學(xué)術(shù)動(dòng)態(tài);1996年01期

4 吳立可;;脈沖神經(jīng)網(wǎng)絡(luò)和行為識(shí)別[J];通訊世界;2018年12期

5 林嘉應(yīng);鄭柏倫;劉捷;;基于卷積神經(jīng)網(wǎng)絡(luò)的船舶分類模型[J];信息技術(shù)與信息化;2019年02期

6 俞頌華;;卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展與應(yīng)用綜述[J];信息通信;2019年02期

7 韓真;凱文·哈特尼特;;為神經(jīng)網(wǎng)絡(luò)的通用理論建造基石[J];世界科學(xué);2019年04期

8 鮑偉強(qiáng);陳娟;熊濤;;基于進(jìn)化神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測(cè)研究[J];電工技術(shù);2019年11期

9 王麗華;楊秀萍;王皓;高崢翔;;智能雙輪平衡車的設(shè)計(jì)研究[J];數(shù)字技術(shù)與應(yīng)用;2018年04期

10 張庭略;;基于硬件的神經(jīng)網(wǎng)絡(luò)加速[J];通訊世界;2018年08期

相關(guān)會(huì)議論文 前10條

1 孫軍田;張U

本文編號(hào)：2724956