隨著人民生活水平的顯著提高和對(duì)美好安全工作和生活環(huán)境越來(lái)越強(qiáng)烈的需求,視頻中動(dòng)態(tài)人臉識(shí)別技術(shù)受到社會(huì)各界的廣泛研究和高度關(guān)注。由于視頻數(shù)據(jù)中存在著對(duì)人臉識(shí)別不利的圖像,如光照變化、姿態(tài)變化、遮擋和圖像模糊等原因造成的圖像,因此,動(dòng)態(tài)人臉識(shí)別成果還處于初級(jí)階段,特別是識(shí)別魯棒性比較糟糕,無(wú)法滿足實(shí)際應(yīng)用要求。動(dòng)態(tài)人臉識(shí)別與靜態(tài)人臉識(shí)別相比具有更高的理論研究意義和實(shí)際應(yīng)用價(jià)值。幸運(yùn)的是,伴隨著即將到來(lái)的人工智能時(shí)代,先進(jìn)的深度學(xué)習(xí)技術(shù)為解決視頻中動(dòng)態(tài)人臉識(shí)別問(wèn)題提供了新的解決方法。本文針對(duì)動(dòng)態(tài)人臉識(shí)別魯棒性差的問(wèn)題提出了一種視頻監(jiān)控環(huán)境下動(dòng)態(tài)人臉識(shí)別的方法。主要工作及貢獻(xiàn)如下:（1）本文方法靈感來(lái)自最近一些深度學(xué)習(xí)技術(shù)的啟發(fā),設(shè)計(jì)出一種同時(shí)回歸和分類的循環(huán)網(wǎng)絡(luò)（Simultaneously Regression and Classification Recurrent Network,SRCRNet）。SRCR-Net結(jié)合了遷移學(xué)習(xí)、多任務(wù)學(xué)習(xí)、增強(qiáng)學(xué)習(xí)和循環(huán)神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)。采用遷移學(xué)習(xí)的策略可以減少模型的訓(xùn)練收斂的時(shí)間;多任務(wù)學(xué)習(xí)能同時(shí)跟蹤人臉目標(biāo)和識(shí)別人臉類別,有助于提高動(dòng)態(tài)人臉識(shí)別的... 

【文章來(lái)源】：廣東工業(yè)大學(xué)廣東省

【文章頁(yè)數(shù)】：66 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 國(guó)外研究現(xiàn)狀
        1.2.2 國(guó)內(nèi)研究現(xiàn)狀
        1.2.3 動(dòng)態(tài)人臉識(shí)別遇到的挑戰(zhàn)
    1.3 論文的主要工作和組織結(jié)構(gòu)
        1.3.1 論文的主要工作
        1.3.2 論文的組織結(jié)構(gòu)
第二章 深度學(xué)習(xí)與人臉識(shí)別方法概述
    2.1 深度學(xué)習(xí)概述
        2.1.1 深度學(xué)習(xí)簡(jiǎn)介
        2.1.2 卷積神經(jīng)網(wǎng)絡(luò)
    2.2 人臉識(shí)別方法概述
        2.2.1 動(dòng)態(tài)人臉識(shí)別方法簡(jiǎn)介
        2.2.2 基于深度學(xué)習(xí)的人臉識(shí)別方法簡(jiǎn)介
    2.3 深度學(xué)習(xí)框架Tensorflow
        2.3.1 TensorFlow的簡(jiǎn)介
        2.3.2 TensorFlow的特征
        2.3.3 TensorFlow的數(shù)據(jù)流圖
    2.4 本章小結(jié)
第三章 人臉圖像檢測(cè)與預(yù)處理
    3.1 人臉檢測(cè)
        3.1.1 Adaboost檢測(cè)方法
        3.1.2 基于Adaboost人臉檢測(cè)的改進(jìn)方法
    3.2 人臉預(yù)處理
        3.2.1 人臉裁剪和人臉對(duì)齊
        3.2.2 人臉增強(qiáng)
    3.3 本章總結(jié)
第四章 同時(shí)回歸和分類循環(huán)網(wǎng)絡(luò)
    4.1 方法概述
    4.2 SRCR-Net的模型結(jié)構(gòu)
        4.2.1 輸入與輸出
        4.2.2 VGG層
        4.2.3 跟蹤層
        4.2.4 增強(qiáng)層
        4.2.5 LSTM層
    4.3 SRCR-Net的人臉跟蹤與識(shí)別算法
        4.3.1 人臉跟蹤算法
        4.3.2 人臉識(shí)別算法
    4.4 本章總結(jié)
第五章 實(shí)驗(yàn)設(shè)計(jì)與結(jié)果分析
    5.1 實(shí)驗(yàn)數(shù)據(jù)集
        5.1.1 YTF Dataset
        5.1.2 LF Dataset
        5.1.3 數(shù)據(jù)增強(qiáng)
    5.2 評(píng)估標(biāo)準(zhǔn)
    5.3 實(shí)驗(yàn)操作細(xì)節(jié)
    5.4 實(shí)驗(yàn)結(jié)果分析
        5.4.1 在YTF數(shù)據(jù)集的結(jié)果分析
        5.4.2 在LF數(shù)據(jù)集的結(jié)果分析
    5.5 本章總結(jié)
總結(jié)與展望
參考文獻(xiàn)
攻讀學(xué)位期間所獲得的科研成果
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于深度學(xué)習(xí)的人臉識(shí)別方法研究綜述[J]. 楊巨成,劉娜,房珊珊,謝迎.  天津科技大學(xué)學(xué)報(bào). 2016(06)
[2]人臉識(shí)別技術(shù)綜述[J]. 張翠平,蘇光大.  中國(guó)圖象圖形學(xué)報(bào). 2000(11)

博士論文
[1]人臉識(shí)別中若干關(guān)鍵問(wèn)題的研究[D]. 山世光.中國(guó)科學(xué)院研究生院（計(jì)算技術(shù)研究所） 2004



本文編號(hào)：3589412