深度神經(jīng)網(wǎng)絡(luò)以其優(yōu)異的性能表現(xiàn)在機(jī)器視覺領(lǐng)域得到廣泛的研究和關(guān)注。相較于傳統(tǒng)的使用手工提取人臉特征的分類方式,卷積神經(jīng)網(wǎng)絡(luò)通過端到端的訓(xùn)練方式從大量人臉圖像中學(xué)習(xí)到具有良好泛化能力的人臉特征。然而在復(fù)雜光照條件下深度神經(jīng)網(wǎng)絡(luò)模型的性能并未得到充分研究。本文研究基于深度學(xué)習(xí)的復(fù)雜光照條件下人臉識別技術(shù),主要研究內(nèi)容如下:第一,我們構(gòu)建了一個復(fù)雜光照條件下的人臉數(shù)據(jù)集,用于研究光照對人臉識別的影響。該數(shù)據(jù)集從汽車內(nèi)監(jiān)控采集到的駕駛員圖像中收集了330000張包含強(qiáng)光、弱光、局部過曝等光照問題的人臉圖像。第二,在該數(shù)據(jù)集上對不同結(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)的性能進(jìn)行了分析。分別采用LeNet、AlexNet和VggNet三種卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行訓(xùn)練和測試,驗(yàn)證了卷積神經(jīng)網(wǎng)絡(luò)對復(fù)雜光照條件下人臉識別問題的有效性。第三,研究了光照數(shù)據(jù)增強(qiáng)技術(shù)。通過對數(shù)據(jù)集中的圖像進(jìn)行光照相關(guān)的變換,向訓(xùn)練數(shù)據(jù)集中引入各種光照問題。使得網(wǎng)絡(luò)能夠從增強(qiáng)數(shù)據(jù)中學(xué)習(xí)到具有光照不變性的人臉特征,從而提高網(wǎng)絡(luò)對光照的魯棒性。第四,針對神經(jīng)網(wǎng)絡(luò)訓(xùn)練時間長、難以調(diào)整的問題,研究了集成批規(guī)范化算法。集成的網(wǎng)絡(luò)在不降低原有性能的同時收斂更加穩(wěn)定、...

【文章頁數(shù)】：66 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖2.1LFW數(shù)據(jù)集圖像

.1常用人臉數(shù)據(jù)集介紹人臉識別在計算機(jī)視覺領(lǐng)域是一個熱門的研究問題。許多開源的預(yù)訓(xùn)練的卷積網(wǎng)絡(luò)模型可以用來從大量的數(shù)據(jù)中學(xué)習(xí)人臉的特征，但是目前很少有研究組會對放他們的大規(guī)模數(shù)據(jù)集。其中可能的原因是大規(guī)模的數(shù)據(jù)集難以獲得并且需要花量的人力物力。下面我們介紹幾個人臉識別領(lǐng)域中常用....

圖2.2YaleB數(shù)據(jù)集圖像

沈陽航空航天大學(xué)碩士學(xué)位論文2)YaleB數(shù)據(jù)集YaleB（YaleFaceDatabaseB）[22]數(shù)據(jù)集中包含16128張圖像。這些圖像是由28個人在9種姿態(tài)和64種光照條件下采集得到的，并對姿態(tài)和光照變化進(jìn)行了嚴(yán)格的控制。YaleB數(shù)據(jù)集主....

圖2.3YouTubeFace數(shù)據(jù)集圖像

YaleB數(shù)據(jù)集主要用于光照和姿態(tài)問題的建模與分析，但是由于采集人數(shù)較少使得數(shù)據(jù)集的使用受到很大限制。圖2.2YaleB數(shù)據(jù)集圖像3)YouTubeFace數(shù)據(jù)集YouTubeFace[23]數(shù)據(jù)集主要用于研究視頻中的非限制人臉識別問題。數(shù)據(jù)集中共包含342....

圖2.4drvface數(shù)據(jù)集圖像

沈陽航空航天大學(xué)碩士學(xué)位論文于訓(xùn)練和調(diào)整神經(jīng)網(wǎng)絡(luò)模型，驗(yàn)證數(shù)據(jù)便于人工選擇最優(yōu)的神經(jīng)網(wǎng)絡(luò)參數(shù)練過程中是否出現(xiàn)過擬合情況。數(shù)據(jù)集中剩余300人的30000張圖像用于據(jù)集，僅在網(wǎng)絡(luò)模型確定之后用于評價算法的有效性和泛化性。我們通過人工的方式對人臉圖像數(shù)據(jù)集中遇到的復(fù)雜光照問題....

本文編號：3912529