隨著信息社會(huì)的發(fā)展,信息的安全性越來越受到廣泛的關(guān)注。其中,人臉作為不同個(gè)體的標(biāo)識(shí),有著自己固有的生物特征,因此被用于身份識(shí)別以及安全監(jiān)測(cè)等場(chǎng)景。由于不同光照、不同角度、人臉遮擋等因素,人臉檢測(cè)與識(shí)別的問題遇到了很大的挑戰(zhàn)。本文基于深度學(xué)習(xí)的方法對(duì)人臉檢測(cè)和人臉識(shí)別進(jìn)行了相關(guān)研究,對(duì)比于傳統(tǒng)的目標(biāo)檢測(cè)算法,利用基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)算法進(jìn)行歸類分析,提出了本文研究方法。本文首先針對(duì)人臉檢測(cè)提出了基于YOLOv3算法的自然場(chǎng)景下多人臉檢測(cè),旨在解決人臉實(shí)時(shí)性檢測(cè)以及圖片中小人臉的問題。模型以Darknet 53為主干網(wǎng)絡(luò),用3種不同尺寸的特征圖進(jìn)行預(yù)測(cè),對(duì)檢測(cè)框的中心坐標(biāo)、置信度以及類別的損失函數(shù)進(jìn)行設(shè)計(jì),最后直接回歸被檢測(cè)人臉的信息。運(yùn)用了批量歸一化處理模型,同時(shí)從人臉識(shí)別概率、人臉類別、人臉的檢測(cè)框三個(gè)角度對(duì)損失函數(shù)進(jìn)行了設(shè)計(jì),有效的解決了光照、遮擋等自然條件下圖像背景變化和實(shí)時(shí)性檢測(cè)等問題,同時(shí)還解決了圖像中多人臉檢測(cè)的問題。本文還提出了基于FaceNet算法的改進(jìn)模型,首先通過本文中YOLOv3模型對(duì)人臉檢測(cè)后的檢測(cè)框進(jìn)行提取,然后對(duì)人臉圖像進(jìn)行分割后進(jìn)行模型訓(xùn)練。本文提出了...

【文章頁(yè)數(shù)】：70 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
中文摘要
ABSTRACT
第一章 緒論
    1.1 研究背景與意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展
        1.2.2 人臉檢測(cè)與人臉識(shí)別的發(fā)展與現(xiàn)狀
    1.3 研究?jī)?nèi)容和組織結(jié)構(gòu)
        1.3.1 研究?jī)?nèi)容
        1.3.2 組織結(jié)構(gòu)
第二章 關(guān)鍵技術(shù)綜述
    2.1 傳統(tǒng)目標(biāo)檢測(cè)方法
        2.1.1 Viola-Jones算法
        2.1.2 HOG+SVM算法
        2.1.3 DPM算法和NMS算法
    2.2 卷積神經(jīng)網(wǎng)絡(luò)
    2.3 深度學(xué)習(xí)目標(biāo)檢測(cè)常見算法
        2.3.1 Two-stage系列算法
        2.3.2 One-stage系列算法
    2.4 深度學(xué)習(xí)人臉識(shí)別算法
    2.5 本文改進(jìn)策略的相關(guān)技術(shù)綜述
        2.5.1 L1、L2 范數(shù)以及歐式距離
        2.5.2 殘差塊
        2.5.3 SENet
    2.6 本章總結(jié)
第三章 基于YOLOv3 算法的自然場(chǎng)景下多人臉檢測(cè)
    3.1 引言
    3.2 YOLOv3 算法模型結(jié)構(gòu)
        3.2.1 Batch Normalization
        3.2.2 采用多尺度的預(yù)測(cè)方法
        3.2.3 損失函數(shù)
    3.3 數(shù)據(jù)集的選擇與分析
    3.4 實(shí)驗(yàn)環(huán)境和訓(xùn)練
    3.5 實(shí)驗(yàn)與結(jié)果分析
        3.5.1 評(píng)價(jià)指標(biāo)
        3.5.2 實(shí)驗(yàn)結(jié)果分析
    3.6 本章總結(jié)
第四章 基于改進(jìn)的FaceNet算法的人臉識(shí)別設(shè)計(jì)
    4.1 引言
    4.2 人臉識(shí)別設(shè)計(jì)整體流程
    4.3 人臉匹配數(shù)據(jù)集
        4.3.1 人臉匹配數(shù)據(jù)集的介紹和選擇
        4.3.2 人臉數(shù)據(jù)集的處理
    4.4 FaceNet算法模型結(jié)構(gòu)
        4.4.1 Deep Architecture
        4.4.2 FaceNet主干網(wǎng)絡(luò)的改進(jìn)
    4.5 數(shù)據(jù)增強(qiáng)
    4.6 損失函數(shù)設(shè)計(jì)
        4.6.1 本文損失函數(shù)Triplet Loss設(shè)計(jì)
        4.6.2 三元組的選擇
    4.7 訓(xùn)練策略
        4.7.1 激活函數(shù)
        4.7.2 學(xué)習(xí)率以及初始化方式
        4.7.3 正則化
        4.7.4 優(yōu)化器算法的選擇
    4.8 實(shí)驗(yàn)環(huán)境與測(cè)試
    4.9 實(shí)驗(yàn)結(jié)果分析
        4.9.1 評(píng)價(jià)指標(biāo)
        4.9.2 實(shí)驗(yàn)結(jié)果分析
    4.10 本章總結(jié)
第五章 總結(jié)與展望
    5.1 總結(jié)
    5.2 未來展望
參考文獻(xiàn)
攻讀學(xué)位期間取得的研究成果
致謝
個(gè)人簡(jiǎn)況及聯(lián)系方式



本文編號(hào)：3785817