近些年,隨著生物醫(yī)學(xué)水平和計(jì)算機(jī)技術(shù)的提高,人臉識(shí)別技術(shù)引起研究者們的廣泛關(guān)注,其作為生物識(shí)別技術(shù)的一種,具有自然性和不容易被被測(cè)個(gè)體感知的特點(diǎn),成為計(jì)算機(jī)視覺(jué)領(lǐng)域研究的熱點(diǎn),并廣泛用于安檢、移動(dòng)支付等領(lǐng)域。人臉圖像容易受到光照、表情、遮擋和姿態(tài)變化等因素的影響,這些不確定因素極大地增大了人臉識(shí)別的難度。由于Gabor變換在提取人臉局部特征時(shí)有較強(qiáng)的魯棒性,常被用于對(duì)人臉局部特征進(jìn)行提取的分類識(shí)別中,深度學(xué)習(xí)方法相比于傳統(tǒng)的人臉識(shí)別可以更好地提取出人臉圖像的深度全局特征,且不需要手工參與�；谶@兩種方法,本文遂提出一種局部特征和全局特征相結(jié)合的人臉識(shí)別方法。本文采用Gabor小波作為傳統(tǒng)人臉圖像局部特征提取的方法,引入圖像分塊的概念,與二維Gabor小波結(jié)合獲取局部特征。由于經(jīng)過(guò)Gabor變換后的局部特征維數(shù)過(guò)大,利用對(duì)人臉關(guān)鍵部位(如眼睛、鼻子、嘴巴等)的特征分組并進(jìn)行特征融合,賦予不同人臉部位不一樣的權(quán)值,將多個(gè)關(guān)鍵人臉特征進(jìn)行融合,從而將提取出的高維特征化簡(jiǎn)為低維特征,對(duì)人臉進(jìn)行識(shí)別。在深度學(xué)習(xí)方面,選用深度殘差網(wǎng)絡(luò)作為提取全局特征的基礎(chǔ)結(jié)構(gòu)。在原始?xì)埐罹W(wǎng)絡(luò)的基礎(chǔ)上通過(guò)對(duì)殘差單元...

【文章頁(yè)數(shù)】：73 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 課題背景與研究意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
    1.3 本文主要內(nèi)容及結(jié)構(gòu)安排
第二章 傳統(tǒng)人臉圖像特征提取方法
    2.1 基于幾何特征
    2.2 基于子空間
        2.2.1 線性子空間分析
        2.2.2 非線性子空間分析
    2.3 基于局部特征
        2.3.1 SIFT特征提取
        2.3.2 基本LBP
        2.3.3 Gabor小波方法
第三章 深度學(xué)習(xí)相關(guān)理論與識(shí)別方法
    3.1 人工神經(jīng)網(wǎng)絡(luò)
        3.1.1 前向傳播
        3.1.2 反向傳播
    3.2 經(jīng)典深度學(xué)習(xí)模型
        3.2.1 深度信念網(wǎng)絡(luò)
        3.2.2 卷積神經(jīng)網(wǎng)絡(luò)
    3.3 基于深度信念網(wǎng)絡(luò)的人臉識(shí)別
        3.3.1 網(wǎng)絡(luò)模型結(jié)構(gòu)
        3.3.2 Softmax分類器
        3.3.3 人臉識(shí)別過(guò)程
        3.3.4 實(shí)驗(yàn)結(jié)果與分析
    3.4 本章小結(jié)
第四章 基于Gabor局部特征的分組融合識(shí)別
    4.1 Gabor特征的分組方案
        4.1.1 基于Gabor的均勻分塊
        4.1.2 基于人臉關(guān)鍵部位的特征分組
        4.1.3 基于不同核函數(shù)的PCA降維
    4.2 基于Fisher線性判別的特征降維
    4.3 信息融合原理
    4.4 多分類器融合
        4.4.1 多分類器融合簡(jiǎn)介
        4.4.2 局部特征的多分類器
    4.5 實(shí)驗(yàn)結(jié)果與分析
    4.6 本章小結(jié)
第五章 基于深度學(xué)習(xí)和傳統(tǒng)方法相結(jié)合的人臉識(shí)別
    5.1 殘差網(wǎng)絡(luò)原理
    5.2 殘差網(wǎng)絡(luò)改進(jìn)原理及模型構(gòu)建
        5.2.1 殘差神經(jīng)網(wǎng)絡(luò)的深度與寬度
        5.2.2 改進(jìn)后的殘差網(wǎng)絡(luò)模型
        5.2.3 算法步驟
    5.3 實(shí)驗(yàn)結(jié)果及分析
        5.3.1 實(shí)驗(yàn)環(huán)境介紹
        5.3.2 實(shí)驗(yàn)數(shù)據(jù)集
        5.3.3 實(shí)驗(yàn)結(jié)果及分析
    5.4 本章小結(jié)
第六章 總結(jié)與展望
    6.1 總結(jié)
    6.2 未來(lái)展望
參考文獻(xiàn)
致謝
作者簡(jiǎn)介及讀研期間主要科研成果



本文編號(hào)：3811907