利用人的面部特征進(jìn)行身份驗(yàn)證的人臉識別技術(shù),近年來受到了廣泛關(guān)注,基于深度學(xué)習(xí)的人臉識別技術(shù)在考勤系統(tǒng)中得到了廣泛應(yīng)用,在考勤中實(shí)現(xiàn)動(dòng)態(tài)人臉識別,解決傳統(tǒng)人臉識別考勤耗時(shí)久、對環(huán)境有局限的缺點(diǎn),具有重要的實(shí)際應(yīng)用價(jià)值。本文重點(diǎn)研究考勤系統(tǒng)中的動(dòng)態(tài)人臉識別問題,其難點(diǎn)在于需要實(shí)時(shí)快速的人臉識別,以及如何解決運(yùn)動(dòng)、光照等因素對采集到的人臉圖像的影響。針對上述問題,本文主要有如下研究內(nèi)容:1.針對運(yùn)動(dòng)模糊、光照不良等不理想場景下捕捉到的人臉圖像質(zhì)量低導(dǎo)致人臉識別率低的問題,加入人臉圖像質(zhì)量評估環(huán)節(jié),對于輸入的連續(xù)人臉圖片,用人臉圖像質(zhì)量評估算法處理,輸入融合光照、清晰度等質(zhì)量因素的人臉圖像質(zhì)量分?jǐn)?shù),有效過濾質(zhì)量較低的人臉圖像,提升識別效率。除此之外,還優(yōu)化了 MTCNN人臉檢測算法,在MTCNN的神經(jīng)網(wǎng)絡(luò)中融合特征金字塔等優(yōu)化,有效降低了不理想場景下人臉檢測時(shí)的漏檢和誤檢。2.針對動(dòng)態(tài)人臉識別時(shí)耗時(shí)久,對算法運(yùn)算速度要求高的問題,本文提出利用在模型大小和速度上都優(yōu)化了的輕量級網(wǎng)絡(luò)作為基礎(chǔ)網(wǎng)絡(luò),將其與高精度人臉識別模型相融合,大大降低計(jì)算量,并用中心損失函數(shù)的聯(lián)合損失函數(shù)代替訓(xùn)練時(shí)難以收斂的三... 

【文章來源】：大連海事大學(xué)遼寧省 211工程院校

【文章頁數(shù)】：82 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖２．?２神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖??Ｆｉｇ．?２．２?Ｓｔｒｕｃｔｕｒｅ?ｄｉａｇｒａｍ?ｏｆ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ??

據(jù)從ｐｒｅｖｉｏｕｓ?ｌａｙｅｒ流入Ｉｎｃｅｐｔｉｏｎ結(jié)構(gòu)中，然后被分成４路，最后又通過??ｃｏｎｃａｔｅｎａｔｉｏｎ層將這４路數(shù)據(jù)組合起來，作為Ｉｎｃｅｐｔｉｏｎ模塊輸出。Ｉｎｃｅｐｔｉｏｎ網(wǎng)絡(luò)是個(gè)龐??大的家族，還包括不斷進(jìn)化的Ｖ２，?Ｖ３，Ｖ４等。??Ｆｉｌｔｅｒ??ｃｏｎｃａｔｅｎａｔｉｏｎ??＿?＾??３＊３?Ｃｏｎｖ?５＊５?Ｃｏｎｖ?１＊１?Ｃｏｎｖ??１＊１?Ｃｏｎｖ??１＊１?Ｃｏｎｖ?１＊１?Ｃｏｎｖ?３＊３??Ｐｒｅｖｉｏｕｓ??Ｌａｙｅｒ??圖２．?５?Ｉｎｃｅｐｔｉｏｎ單元結(jié)構(gòu)圖??Ｆｉｇ．?２．５?Ｉｎｃｅｐｔｉｏｎ?ｕｎｉｔ?ｓｔｒｕｃｔｕｒｅ?ｄｉａｇｒａｍ??４）ＲｅｓＮｅｔ網(wǎng)絡(luò)于２０１５年提出，在當(dāng)時(shí)的ＩｍａｇｅＮｅｔ大賽上一句斬獲了圖像分類、檢測、??定位三項(xiàng)冠軍。從ＶＧＧＮｅｔ和ＧｏｏｇｌｅＮｅｔ可以看到，深度學(xué)習(xí)的發(fā)展趨勢是網(wǎng)絡(luò)模型越??來越大，深度越來越深，但是一味堆疊會(huì)造成摸型退化，而ＲｅｓＮｅｔ最厲害的地方在于??解決了神經(jīng)網(wǎng)絡(luò)層數(shù)越來越多造成的退化問題，使得網(wǎng)絡(luò)單純加深也可以獲得更好的性??能。ＲｅｓＮｅｔ的核心思想是引入了殘差單元，殘差單元結(jié)構(gòu)如２．６所示，ｗｉｅｇｈｔｌａｙｅｒ代表??一個(gè)卷積層。??Ｘ??ｗｅｉｇｈｔ?ｌａｙｅｒ??Ｆ（ｘ）?；?ｒｅｌｕ?ｉｄｅｎｔｉｔｙ??ｔ?ｘ??ｗｅｉｇｈｔ?ｌａｙｅｒ??Ｈ（ｘ）＝Ｆ（ｘ）＋ｘ??．．十．??ｒｅｌｕ??▼??圖２．?６?ＲｅｓＮｅｔ單元結(jié)構(gòu)??Ｆｉｇ．?２．６?ＲｅｓＮｅｔ?ｕｎｉｔ?ｓｔｒｕｃｔｕｒｅ?ｄｉａｇｒａｍ??１１??

據(jù)從ｐｒｅｖｉｏｕｓ?ｌａｙｅｒ流入Ｉｎｃｅｐｔｉｏｎ結(jié)構(gòu)中，然后被分成４路，最后又通過??ｃｏｎｃａｔｅｎａｔｉｏｎ層將這４路數(shù)據(jù)組合起來，作為Ｉｎｃｅｐｔｉｏｎ模塊輸出。Ｉｎｃｅｐｔｉｏｎ網(wǎng)絡(luò)是個(gè)龐??大的家族，還包括不斷進(jìn)化的Ｖ２，?Ｖ３，Ｖ４等。??Ｆｉｌｔｅｒ??ｃｏｎｃａｔｅｎａｔｉｏｎ??＿?＾??３＊３?Ｃｏｎｖ?５＊５?Ｃｏｎｖ?１＊１?Ｃｏｎｖ??１＊１?Ｃｏｎｖ??１＊１?Ｃｏｎｖ?１＊１?Ｃｏｎｖ?３＊３??Ｐｒｅｖｉｏｕｓ??Ｌａｙｅｒ??圖２．?５?Ｉｎｃｅｐｔｉｏｎ單元結(jié)構(gòu)圖??Ｆｉｇ．?２．５?Ｉｎｃｅｐｔｉｏｎ?ｕｎｉｔ?ｓｔｒｕｃｔｕｒｅ?ｄｉａｇｒａｍ??４）ＲｅｓＮｅｔ網(wǎng)絡(luò)于２０１５年提出，在當(dāng)時(shí)的ＩｍａｇｅＮｅｔ大賽上一句斬獲了圖像分類、檢測、??定位三項(xiàng)冠軍。從ＶＧＧＮｅｔ和ＧｏｏｇｌｅＮｅｔ可以看到，深度學(xué)習(xí)的發(fā)展趨勢是網(wǎng)絡(luò)模型越??來越大，深度越來越深，但是一味堆疊會(huì)造成摸型退化，而ＲｅｓＮｅｔ最厲害的地方在于??解決了神經(jīng)網(wǎng)絡(luò)層數(shù)越來越多造成的退化問題，使得網(wǎng)絡(luò)單純加深也可以獲得更好的性??能。ＲｅｓＮｅｔ的核心思想是引入了殘差單元，殘差單元結(jié)構(gòu)如２．６所示，ｗｉｅｇｈｔｌａｙｅｒ代表??一個(gè)卷積層。??Ｘ??ｗｅｉｇｈｔ?ｌａｙｅｒ??Ｆ（ｘ）?；?ｒｅｌｕ?ｉｄｅｎｔｉｔｙ??ｔ?ｘ??ｗｅｉｇｈｔ?ｌａｙｅｒ??Ｈ（ｘ）＝Ｆ（ｘ）＋ｘ??．．十．??ｒｅｌｕ??▼??圖２．?６?ＲｅｓＮｅｔ單元結(jié)構(gòu)??Ｆｉｇ．?２．６?ＲｅｓＮｅｔ?ｕｎｉｔ?ｓｔｒｕｃｔｕｒｅ?ｄｉａｇｒａｍ??１１??

【參考文獻(xiàn)】：
碩士論文
[1]視頻考勤中無效人臉過濾方法研究[D]. 陳富強(qiáng).西南交通大學(xué) 2018
[2]基于人臉識別的公司考勤門禁系統(tǒng)的設(shè)計(jì)[D]. 李駿馳.電子科技大學(xué) 2018



本文編號：2956065