基于深度學(xué)習(xí)的視頻圖像人臉識別系統(tǒng)設(shè)計與實現(xiàn)
發(fā)布時間:2023-03-18 21:16
隨著社會的發(fā)展與技術(shù)的革新,人們對于社會安全保障的需求不斷提高,其中基于視頻監(jiān)控的人臉識別是關(guān)鍵性技術(shù)之一。視頻監(jiān)控人臉識別技術(shù)現(xiàn)階段中比較突出的如圖像清晰度、系統(tǒng)實時性、場景復(fù)雜等問題,隨著深度學(xué)習(xí)技術(shù)的出現(xiàn)有了一定程度的改進。論文基于深度學(xué)習(xí)技術(shù)完成了視頻監(jiān)控下的人臉識別的系統(tǒng)設(shè)計,并且對視頻監(jiān)控下的人臉識別技術(shù)進行改進與優(yōu)化,主要內(nèi)容與成果如下:(1)基于MutiTask思想與MTCNN模型設(shè)計了一套適合于視頻監(jiān)控場景下的用于人臉檢測與分類的級聯(lián)卷積神經(jīng)網(wǎng)絡(luò)模型。優(yōu)化了網(wǎng)絡(luò)結(jié)構(gòu),減少了人臉候選區(qū)域的生成,以及增加了人臉圖像匹配分?jǐn)?shù)的輸出,最終的檢測速度提升55.7%。(2)定義了一個適用于視頻監(jiān)控下人臉識別系統(tǒng)的人臉模糊程度值,可以依據(jù)其來提高對人臉識別的準(zhǔn)確率,在一定程度上提高了對視頻流某幀圖像因采集過程造成的模糊,拖影等干擾因素的抗性,降低了誤識率。(3)在視頻監(jiān)控的場景應(yīng)用下,針對GOTURN視覺跟蹤算法進行了改進與優(yōu)化,增加了搜索目標(biāo)置信分?jǐn)?shù)的輸出,更好的判定目標(biāo)是否成功被跟蹤。在視頻監(jiān)控場景下,結(jié)合人臉檢測模塊可以更準(zhǔn)確的進行人臉檢測與識別。在以上研究基礎(chǔ)上,論文設(shè)計并...
【文章頁數(shù)】:81 頁
【學(xué)位級別】:碩士
【文章目錄】:
摘要
Abstract
1 緒論
1.1 課題研究的背景與意義
1.2 國內(nèi)外歷史研究與現(xiàn)狀
1.3 論文主要工作與結(jié)構(gòu)安排
2 關(guān)鍵技術(shù)與功能需求分析
2.1 目標(biāo)檢測網(wǎng)絡(luò)
2.1.1 Faster R-CNN物體檢測網(wǎng)絡(luò)
2.1.2 MTCNN人臉檢測算法
2.2 卷積神經(jīng)網(wǎng)絡(luò)特征提取
2.3 目標(biāo)跟蹤算法
2.3.1 視覺跟蹤算法與檢測算法的融合
2.3.2 基于生成類的視覺跟蹤算法
2.3.3 基于判別類的視覺跟蹤算法
2.3.4 基于相關(guān)濾波的視覺跟蹤算法
2.3.5 基于深度學(xué)習(xí)的視覺跟蹤算法
2.4 功能需求分析
2.5 本章小結(jié)
3 基于人臉檢測的級聯(lián)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計
3.1 MTCNN人臉檢測模型時耗分析
3.2 MTCNN人臉檢測時耗改進
3.2.1 MTCNN算法模型改進
3.2.2 人臉檢測流程優(yōu)化
3.3 MTCNN人臉檢測輸出改進
3.4 MTCNN模型的NMS算法改進
3.5 本章小結(jié)
4 基于人臉識別的網(wǎng)絡(luò)結(jié)構(gòu)模型搭建
4.1 人臉識別算法流程
4.2 三元組損失函數(shù)分析
4.3 Inception-Resnet v1特征提取
4.4 人臉識別模型訓(xùn)練與測試分析
4.4.1 人臉識別模型訓(xùn)練
4.4.2 人臉識別模型測試
4.5 人臉識別模型訓(xùn)練改進
4.6 本章小結(jié)
5 改進的多任務(wù)GOTURN跟蹤算法研究
5.1 視頻人臉跟蹤算法需求分析
5.2 視頻人臉跟蹤流程
5.2.1 跟蹤功能實現(xiàn)流程
5.2.2 跟蹤算法實現(xiàn)流程
5.3 跟蹤算法模型改進
5.4 跟蹤算法模型改進測試
5.5 本章小結(jié)
6 系統(tǒng)整合與驗證
6.1 系統(tǒng)測試環(huán)境介紹
6.2 系統(tǒng)整合與實現(xiàn)
6.2.1 系統(tǒng)工程實現(xiàn)流程
6.2.2 系統(tǒng)算法整合與實現(xiàn)
6.3 視頻人臉模糊度檢測
6.4 視頻監(jiān)控下人臉識別系統(tǒng)驗證
6.4.1 單人臉身份識別系統(tǒng)驗證
6.4.2 入口人員身份識別系統(tǒng)驗證
6.4.3 視頻記錄人臉篩查系統(tǒng)驗證
6.5 本章小結(jié)
結(jié)論
參考文獻
攻讀碩士學(xué)位期間發(fā)表學(xué)術(shù)論文情況
致謝
本文編號:3763881
【文章頁數(shù)】:81 頁
【學(xué)位級別】:碩士
【文章目錄】:
摘要
Abstract
1 緒論
1.1 課題研究的背景與意義
1.2 國內(nèi)外歷史研究與現(xiàn)狀
1.3 論文主要工作與結(jié)構(gòu)安排
2 關(guān)鍵技術(shù)與功能需求分析
2.1 目標(biāo)檢測網(wǎng)絡(luò)
2.1.1 Faster R-CNN物體檢測網(wǎng)絡(luò)
2.1.2 MTCNN人臉檢測算法
2.2 卷積神經(jīng)網(wǎng)絡(luò)特征提取
2.3 目標(biāo)跟蹤算法
2.3.1 視覺跟蹤算法與檢測算法的融合
2.3.2 基于生成類的視覺跟蹤算法
2.3.3 基于判別類的視覺跟蹤算法
2.3.4 基于相關(guān)濾波的視覺跟蹤算法
2.3.5 基于深度學(xué)習(xí)的視覺跟蹤算法
2.4 功能需求分析
2.5 本章小結(jié)
3 基于人臉檢測的級聯(lián)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計
3.1 MTCNN人臉檢測模型時耗分析
3.2 MTCNN人臉檢測時耗改進
3.2.1 MTCNN算法模型改進
3.2.2 人臉檢測流程優(yōu)化
3.3 MTCNN人臉檢測輸出改進
3.4 MTCNN模型的NMS算法改進
3.5 本章小結(jié)
4 基于人臉識別的網(wǎng)絡(luò)結(jié)構(gòu)模型搭建
4.1 人臉識別算法流程
4.2 三元組損失函數(shù)分析
4.3 Inception-Resnet v1特征提取
4.4 人臉識別模型訓(xùn)練與測試分析
4.4.1 人臉識別模型訓(xùn)練
4.4.2 人臉識別模型測試
4.5 人臉識別模型訓(xùn)練改進
4.6 本章小結(jié)
5 改進的多任務(wù)GOTURN跟蹤算法研究
5.1 視頻人臉跟蹤算法需求分析
5.2 視頻人臉跟蹤流程
5.2.1 跟蹤功能實現(xiàn)流程
5.2.2 跟蹤算法實現(xiàn)流程
5.3 跟蹤算法模型改進
5.4 跟蹤算法模型改進測試
5.5 本章小結(jié)
6 系統(tǒng)整合與驗證
6.1 系統(tǒng)測試環(huán)境介紹
6.2 系統(tǒng)整合與實現(xiàn)
6.2.1 系統(tǒng)工程實現(xiàn)流程
6.2.2 系統(tǒng)算法整合與實現(xiàn)
6.3 視頻人臉模糊度檢測
6.4 視頻監(jiān)控下人臉識別系統(tǒng)驗證
6.4.1 單人臉身份識別系統(tǒng)驗證
6.4.2 入口人員身份識別系統(tǒng)驗證
6.4.3 視頻記錄人臉篩查系統(tǒng)驗證
6.5 本章小結(jié)
結(jié)論
參考文獻
攻讀碩士學(xué)位期間發(fā)表學(xué)術(shù)論文情況
致謝
本文編號:3763881
本文鏈接:http://sikaile.net/kejilunwen/zidonghuakongzhilunwen/3763881.html
最近更新
教材專著