基于深度學習的人臉檢測與識別方法研究
發(fā)布時間：2022-01-15 06:29
近年來,計算機視覺作為新崛起的領域發(fā)展迅速,人臉檢測與識別重要的潛在的商業(yè)價值、巨大的應用前景和學術價值,使其成為研究的熱點和難點,已被廣泛應用于人證合一、安檢及金融等領域。越來越多的學者、機構和企業(yè)都在相關方面相繼進行了大量的研究工作。深度學習的高層語義特征使得眾多學者將其應用在人臉檢測與識別領域中,人臉識別任務在基于深度學習網(wǎng)絡上已經(jīng)有著較高的水平,這已超出了人類在這個特定任務上的水平。但目前人們?nèi)悦媾R由于光照、姿勢變化、人臉圖像質量、遮擋等問題,無法定位或識別出準確的人臉問題,逐步成為人臉檢測與識別的最大障礙。本文在對已有的研究方法與現(xiàn)有問題進行了深入的分析和總結,旨在提取對多尺度和遮擋人臉魯棒的特征進行人臉檢測與識別,主要工作包括以下內(nèi)容:（1）考慮到人臉的多分辨率問題,本文提出了基于深度學習的多視角人臉特征學習方法,主要使用兩個模塊的深度學習網(wǎng)絡進行人臉特征的訓練與學習,一方面使用大視角模塊對人臉特征進行粗略學習,另一方面使用小視角模塊學習人臉的精細特征,以提高檢測精度。首先,利用一個具有大卷積核的網(wǎng)絡模塊進行人臉特征學習,即粗學習,可以學習到人臉的整個結構并獲取人臉位置信息...
【文章來源】：西安電子科技大學陜西省 211工程院校 教育部直屬院校
【文章頁數(shù)】：69 頁
【學位級別】：碩士
【部分圖文】：
人腦神經(jīng)元網(wǎng)絡深度學習早期的概念是由Hinton教授首次提出來，其提出的兩個觀點，瞬間得
圖2.2神經(jīng)網(wǎng)絡模型示意圖中，每個圈代表了一個神經(jīng)元，“+1”代表了偏置節(jié)點，絡模型示意圖中的 Layer1L 為輸入數(shù)據(jù)的輸入層，Lay的輸出層只有一個神經(jīng)元節(jié)點），神經(jīng)網(wǎng)絡模型示意圖中.2 中的 Layer2L ），主要原因是因為在訓練過程中是不能傳播算法絡中，從原始數(shù)據(jù)輸入開始，通過逐層的計算方式得到最前向傳播算法”計算的過程。現(xiàn)在，本文假設ln 表示神經(jīng)l層，則1L 為神經(jīng)網(wǎng)絡的輸入層，神經(jīng)網(wǎng)絡的輸出層表示第i個單元的激活值，當 l 1，則 1 i ia x，即原始輸入數(shù)中有參數(shù) 1 1 2 2W , b W , b , W ,b，其中 l ijW 表示第l層第i個單元之間的連接權重參數(shù)，也就是權值， l ib 表示第， f 表示為神經(jīng)網(wǎng)絡的激活函數(shù)，對于給定的參數(shù)集合W最后的輸出計算過程如下：
, l li ilib b J W bb （ 為學習率。）卷積神經(jīng)網(wǎng)絡神經(jīng)網(wǎng)絡，一般簡寫為 CNN，與經(jīng)典簡單的網(wǎng)絡差異的地方是 CN和池化層，其中的神經(jīng)元權值是部分共享，也就是某個神經(jīng)元與其接。積神經(jīng)網(wǎng)絡的結構中，其實含有多個通道，該通道就是特征圖，同元是共享同一個權重值（即卷積核），對 CNN 進行訓練，該過程絡中最優(yōu)的權值。神經(jīng)元共享權值，其優(yōu)勢是直接減少了層與層之間有限情況下，可有效地防止過擬合的情況出現(xiàn)�；╬ooling）層中，其可以看作另一種卷積過程，有效降低特征維池化層的聯(lián)合使用，可以直接減少了模型的計算參數(shù)，降低神經(jīng)網(wǎng)簡單的 CNN 結構如圖 2.3。
【參考文獻】：
期刊論文
[1]Deep learning for natural language processing:advantages and challenges[J]. Hang Li. National Science Review. 2018(01)
[2]Where Does AlphaGo Go: From Church-Turing Thesis to AlphaGo Thesis and Beyond[J]. Fei-Yue Wang,Jun Jason Zhang,Xinhu Zheng,Xiao Wang,Yong Yuan,Xiaoxiao Dai,Jie Zhang,Liuqing Yang. IEEE/CAA Journal of Automatica Sinica. 2016(02)
[3]圖像物體分類與檢測算法綜述[J]. 黃凱奇,任偉強,譚鐵牛. 計算機學報. 2014(06)
[4]生物視覺的研究[J]. 劉偉,袁修干. 中國安全科學學報. 2000(06)
博士論文
[1]人臉識別中若干關鍵問題的研究[D]. 山世光.中國科學院研究生院（計算技術研究所） 2004
本文編號：3590091
【文章來源】：西安電子科技大學陜西省 211工程院校 教育部直屬院校
【文章頁數(shù)】：69 頁
【學位級別】：碩士
【部分圖文】：
人腦神經(jīng)元網(wǎng)絡深度學習早期的概念是由Hinton教授首次提出來，其提出的兩個觀點，瞬間得
圖2.2神經(jīng)網(wǎng)絡模型示意圖中，每個圈代表了一個神經(jīng)元，“+1”代表了偏置節(jié)點，絡模型示意圖中的 Layer1L 為輸入數(shù)據(jù)的輸入層，Lay的輸出層只有一個神經(jīng)元節(jié)點），神經(jīng)網(wǎng)絡模型示意圖中.2 中的 Layer2L ），主要原因是因為在訓練過程中是不能傳播算法絡中，從原始數(shù)據(jù)輸入開始，通過逐層的計算方式得到最前向傳播算法”計算的過程。現(xiàn)在，本文假設ln 表示神經(jīng)l層，則1L 為神經(jīng)網(wǎng)絡的輸入層，神經(jīng)網(wǎng)絡的輸出層表示第i個單元的激活值，當 l 1，則 1 i ia x，即原始輸入數(shù)中有參數(shù) 1 1 2 2W , b W , b , W ,b，其中 l ijW 表示第l層第i個單元之間的連接權重參數(shù)，也就是權值， l ib 表示第， f 表示為神經(jīng)網(wǎng)絡的激活函數(shù)，對于給定的參數(shù)集合W最后的輸出計算過程如下：
, l li ilib b J W bb （ 為學習率。）卷積神經(jīng)網(wǎng)絡神經(jīng)網(wǎng)絡，一般簡寫為 CNN，與經(jīng)典簡單的網(wǎng)絡差異的地方是 CN和池化層，其中的神經(jīng)元權值是部分共享，也就是某個神經(jīng)元與其接。積神經(jīng)網(wǎng)絡的結構中，其實含有多個通道，該通道就是特征圖，同元是共享同一個權重值（即卷積核），對 CNN 進行訓練，該過程絡中最優(yōu)的權值。神經(jīng)元共享權值，其優(yōu)勢是直接減少了層與層之間有限情況下，可有效地防止過擬合的情況出現(xiàn)�；╬ooling）層中，其可以看作另一種卷積過程，有效降低特征維池化層的聯(lián)合使用，可以直接減少了模型的計算參數(shù)，降低神經(jīng)網(wǎng)簡單的 CNN 結構如圖 2.3。
【參考文獻】：
期刊論文
[1]Deep learning for natural language processing:advantages and challenges[J]. Hang Li. National Science Review. 2018(01)
[2]Where Does AlphaGo Go: From Church-Turing Thesis to AlphaGo Thesis and Beyond[J]. Fei-Yue Wang,Jun Jason Zhang,Xinhu Zheng,Xiao Wang,Yong Yuan,Xiaoxiao Dai,Jie Zhang,Liuqing Yang. IEEE/CAA Journal of Automatica Sinica. 2016(02)
[3]圖像物體分類與檢測算法綜述[J]. 黃凱奇,任偉強,譚鐵牛. 計算機學報. 2014(06)
[4]生物視覺的研究[J]. 劉偉,袁修干. 中國安全科學學報. 2000(06)
博士論文
[1]人臉識別中若干關鍵問題的研究[D]. 山世光.中國科學院研究生院（計算技術研究所） 2004
本文編號：3590091
本文鏈接：http://sikaile.net/kejilunwen/zidonghuakongzhilunwen/3590091.html
最近更新
教材專著
