我國是一個多民族國家,不同民族間的面部特征會因地域、氣候等環(huán)境的不同而存在一定的差異,然而隨著時間的變遷、民族的繁衍及文化的交流與融合,民族人臉特征逐漸弱化甚至消失,因此利用計算機技術(shù)對民族人臉特征進行研究和應用具有深遠意義。本文以探索少數(shù)民族面部特征提取的有效方法為目的,研究基于面部特征增強和卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)的民族人臉圖像檢索方法,為相關(guān)領(lǐng)域研究提供新的思路與參考。主要研究工作如下:(1)民族人臉資源庫構(gòu)建。本文對云南省德宏州、紅河州的兩個少數(shù)民族地區(qū)282人的民族人臉圖像進行采集和預處理,建立了涵蓋不同表情、姿態(tài)、角度、光照和背景變化的民族人臉資源庫。(2)民族人臉特征增強。針對人臉民族特征的差異,本文通過對民族人臉關(guān)鍵特征點檢測,基于對兩個民族人臉特征區(qū)域的對比分析,提出了一種基于感興趣區(qū)域的民族人臉特征增強方法,以提升民族人臉的特征表達和辨別能力。(3)基于CNN的民族人臉圖像檢索。本文在民族特征增強的基礎(chǔ)上,構(gòu)建基于CNN的民族人臉檢索框架,實現(xiàn)民族人臉深度特征提取和檢索,并通過實驗對比分析不同深度網(wǎng)絡(luò)結(jié)構(gòu)下多組特征增強的人臉檢索效果,驗證了本文提出的基于特征增強和CNN的民族人臉檢索方法有效性和優(yōu)越性。(4)民族人臉圖像檢索原型系統(tǒng)的設(shè)計與實現(xiàn)。本文采用PyQt5和TensorFlow設(shè)計并實現(xiàn)了民族人臉圖像檢索原型系統(tǒng),該系統(tǒng)包括數(shù)據(jù)預處理、民族人臉特征增強、基于CNN的民族人臉圖像檢索和檢索結(jié)果可視化四個模塊,可實現(xiàn)多種圖像檢索模式結(jié)果的可視化。
【學位單位】：云南師范大學
【學位級別】：碩士
【學位年份】：2020
【中圖分類】：TP391.41;TP183
【部分圖文】：

第2章圖像檢索相關(guān)理論和技術(shù)基礎(chǔ)10像中每一個像素灰度值與其相鄰窗口內(nèi)的像素灰度值進行數(shù)值比較，得到該圖的紋理特征信息。詳細計算方式如公式2.1：1,010,2()00PPlpcPRPxfxysggsxx(2.1)其中，P為采樣點的個數(shù)，cg表示中心像素，0,1,2,1pgpP表示cg周圍的像素，基于LBP特征提取的圖像如圖2.2所示：圖2.2LBP特征提取PCA是數(shù)據(jù)降維算法中最為常見的一種，其算法思想是將N維空間的特征映射到K維上（K<N），K維是在N維特征的基礎(chǔ)上構(gòu)造的新的正交向量，即主成分部分。PCA的工作主要是在原始空間中，按照一定的規(guī)則進行查找，找出一對相互正交的坐標軸。找出的坐標軸建立在原始數(shù)據(jù)的基礎(chǔ)上，第1個坐標軸應為原始數(shù)據(jù)中方差最大的方向，第2個坐標軸應為與第1個坐標軸方差最大的正交平面，第3個坐標軸應為與第1、2坐標軸方差最大的正交平面，以此類推，可以得到N個這樣的坐標軸。利用這種方式獲得的坐標軸，絕大多數(shù)方差都集中在前K個坐標軸中，其余部分的方差都接近于0。PCA就是一種利用這種形式將高維空間的數(shù)據(jù)映射到低維度空間的算法，在圖像特征提取中被廣泛使用，通過這種線性變換方式將高維轉(zhuǎn)向低維，數(shù)據(jù)各維度之間的正交線性關(guān)系沒有關(guān)聯(lián)。PCA能夠有效解決由于數(shù)據(jù)維度高造成的特征提取難的問題，同時也降低了數(shù)據(jù)計算量和計算復雜度。但是PCA的缺點體現(xiàn)在在圖像分類的過程中，PCA無法有效的利用圖像的類別特征信息進行降維，這也是PCA受到局限的因素之一。

第2章圖像檢索相關(guān)理論和技術(shù)基礎(chǔ)12圖2.3PCA特征臉2.1.2基于深度學習方式人臉特征點提取也可以基于深度學習的方式，常用的有卷積神經(jīng)網(wǎng)絡(luò)，循環(huán)神經(jīng)網(wǎng)絡(luò)和生成對抗網(wǎng)絡(luò)等，本小節(jié)主要以卷積神經(jīng)網(wǎng)絡(luò)類中的深度卷積網(wǎng)絡(luò)（DeepConvolutionalNeuralNetwork，DCNN）進行描述。DCNN是在CNN模型的基礎(chǔ)上進行多層模型構(gòu)建。DCNN是一種以交替疊加的卷積層和池化層構(gòu)成的人工神經(jīng)網(wǎng)絡(luò)，這樣的優(yōu)勢在于，能夠得模型具有學習平移空間變化的不變性特征，這是解決很多圖像識別技術(shù)中至關(guān)重要的方法，這也使得DCNN成為了目前在視覺領(lǐng)域中常用的深度學習模型之一[64]。DCNN模型結(jié)構(gòu)圖[65]如圖2.4所示：圖2.4DCNN模型結(jié)構(gòu)圖DCNN模型的設(shè)計原理與RCNN[66]一樣，都是從粗定位到精定位的過程。

第2章圖像檢索相關(guān)理論和技術(shù)基礎(chǔ)12圖2.3PCA特征臉2.1.2基于深度學習方式人臉特征點提取也可以基于深度學習的方式，常用的有卷積神經(jīng)網(wǎng)絡(luò)，循環(huán)神經(jīng)網(wǎng)絡(luò)和生成對抗網(wǎng)絡(luò)等，本小節(jié)主要以卷積神經(jīng)網(wǎng)絡(luò)類中的深度卷積網(wǎng)絡(luò)（DeepConvolutionalNeuralNetwork，DCNN）進行描述。DCNN是在CNN模型的基礎(chǔ)上進行多層模型構(gòu)建。DCNN是一種以交替疊加的卷積層和池化層構(gòu)成的人工神經(jīng)網(wǎng)絡(luò)，這樣的優(yōu)勢在于，能夠得模型具有學習平移空間變化的不變性特征，這是解決很多圖像識別技術(shù)中至關(guān)重要的方法，這也使得DCNN成為了目前在視覺領(lǐng)域中常用的深度學習模型之一[64]。DCNN模型結(jié)構(gòu)圖[65]如圖2.4所示：圖2.4DCNN模型結(jié)構(gòu)圖DCNN模型的設(shè)計原理與RCNN[66]一樣，都是從粗定位到精定位的過程。
【參考文獻】

相關(guān)期刊論文 前10條

1 田聯(lián)剛;趙鵬;;多元共生 和而不同——關(guān)于少數(shù)民族文化在中華文化格局中的地位思考[J];中南民族大學學報(人文社會科學版);2015年01期

2 黃榮兵;郎方年;施展;;基于Log-Gabor小波和二維半監(jiān)督判別分析的人臉圖像檢索[J];計算機應用研究;2012年01期

3 蔣舒卉;錢學明;;一種重要區(qū)域重采樣的人臉檢索方法[J];西安交通大學學報;2012年02期

4 段曉東;王存睿;劉向東;劉慧;;人臉的民族特征抽取及其識別[J];計算機科學;2010年08期

5 蘇煜;山世光;陳熙霖;高文;;基于全局和局部特征集成的人臉識別[J];軟件學報;2010年08期

6 劉小華;周春光;張利彪;盛會鵬;李江春;;海量人臉數(shù)據(jù)庫的快速檢索[J];吉林大學學報(工學版);2010年01期

7 楊之光;艾海舟;;基于聚類的人臉圖像檢索及相關(guān)反饋[J];自動化學報;2008年09期

8 王瑋;黃非非;李見為;馮海亮;;使用多尺度LBP特征描述與識別人臉[J];光學精密工程;2008年04期

9 齊興敏;劉冠梅;;基于PCA的人臉識別方法的比較研究[J];現(xiàn)代電子技術(shù);2008年06期

10 艾海舟 ,肖習攀 ,徐光祐;人臉檢測與檢索[J];計算機學報;2003年07期

相關(guān)博士學位論文 前1條

1 張少華;基于深度卷積神經(jīng)網(wǎng)絡(luò)的人臉基準點定位研究[D];華中科技大學;2016年

相關(guān)碩士學位論文 前4條

1 林楨祥;基于深度增強學習的圖像語句描述生成研究[D];國防科技大學;2017年

2 邱盛;基于深度學習的人臉民族識別[D];華南理工大學;2016年

3 魏正;基于Caffe平臺深度學習的人臉識別研究與實現(xiàn)[D];西安電子科技大學;2015年

4 劉俊濤;基于機器學習方法的城市對外客運交通需求預測研究[D];哈爾濱工業(yè)大學;2015年

本文編號：2874533