發(fā)布時(shí)間：2017-12-19 23:11

  本文關(guān)鍵詞：基于深度卷積神經(jīng)網(wǎng)絡(luò)的人臉基準(zhǔn)點(diǎn)定位研究　出處：《華中科技大學(xué)》2016年博士論文　論文類型：學(xué)位論文

  更多相關(guān)文章： 人臉識別 深度學(xué)習(xí) 人臉對齊 人臉基準(zhǔn)點(diǎn)定位 深度卷積神經(jīng)網(wǎng)絡(luò) 遷移學(xué)習(xí) 修正線性單元 批歸一化

【摘要】：人臉識別在安防、訪問控制、人機(jī)交互和數(shù)字娛樂產(chǎn)業(yè)等領(lǐng)域有廣泛的應(yīng)用前景。目前,無約束人臉識別,即識別存在姿態(tài)、表情、光照和遮擋等變化的人臉圖像,還沒有完全解決,阻礙了人臉識別的進(jìn)一步應(yīng)用。無約束人臉基準(zhǔn)點(diǎn)定位(UFLL:Unrestricted Facial Landmark Localization)或稱為無約束人臉對齊,通過定位人臉基準(zhǔn)點(diǎn)將人臉圖像變換至一個(gè)標(biāo)準(zhǔn)姿態(tài),能顯著地降低識別難度,提高識別精度,是無約束人臉識別的重要處理步驟。無約束人臉基準(zhǔn)點(diǎn)定位的關(guān)鍵是綜合利用各個(gè)人臉基準(zhǔn)點(diǎn)局部的紋理特征和全局的形狀約束。深度學(xué)習(xí),特別是深度卷積神經(jīng)網(wǎng)絡(luò)(DCNN:Deep Convolutional Neural Network),通過層級結(jié)構(gòu)能有效地提取數(shù)據(jù)的高層語義特征,已經(jīng)成功應(yīng)用于多個(gè)計(jì)算機(jī)視覺領(lǐng)域。然而,因?yàn)橛?xùn)練耗時(shí)和有效的訓(xùn)練數(shù)據(jù)缺乏等原因,DCNN目前在人臉基準(zhǔn)點(diǎn)定位領(lǐng)域的應(yīng)用還相對較少。本文以無約束人臉識別為應(yīng)用背景,以非特定人的無約束人臉基準(zhǔn)點(diǎn)定位為研究對象,探索如何采用新的DCNN元素和訓(xùn)練方式進(jìn)行人臉基準(zhǔn)點(diǎn)定位,在提高訓(xùn)練速度的同時(shí)不降低性能,主要研究內(nèi)容和創(chuàng)新性成果包括：(1)首次采用修正線性單元(ReLU:Rectified Linear Unit)、填充卷積層(PCL:Pad-ding Convolutional Layer)和局部響應(yīng)歸一化(LRN:Local Response Normaliza-tion)等新的模型結(jié)構(gòu)元素構(gòu)造DCNN應(yīng)用于稀疏人臉基準(zhǔn)點(diǎn)定位問題。并提出了基于同一數(shù)據(jù)增強(qiáng)程序的簡便有效的多模型平均方法。采用直接回歸方式訓(xùn)練各個(gè)DCNN。利用多層級聯(lián)方式組合多個(gè)DCNN提升定位精度。該方法解決了已有DCNN級聯(lián)算法訓(xùn)練耗時(shí)的問題,在不降低預(yù)測精度的前提下,相比同等規(guī)模的方法訓(xùn)練速度提升了五倍。并通過細(xì)致的實(shí)驗(yàn)說明了ReLU響應(yīng)具有分布稀疏和生命周期稀疏的性質(zhì)。(2)提出了遷移DCNN特征的算法框架,將人臉辨識任務(wù)上訓(xùn)練的DCNN遷移至稠密人臉基準(zhǔn)點(diǎn)定位問題,將DCNN作為特征提取器嵌入至局部正則化的級聯(lián)回歸框架,解決了帶標(biāo)簽的稠密人臉基準(zhǔn)點(diǎn)數(shù)據(jù)較少,無法直接訓(xùn)練DCNN的問題。基于源域和目標(biāo)域的相似性對遷移性能有巨大影響的假定,提出了級聯(lián)遷移的DCNN特征遷移方法以充分利用級聯(lián)框架的特點(diǎn),并通過與直接使用、普通精調(diào)兩種遷移方式對比,驗(yàn)證了該假定。級聯(lián)遷移方法在300-W數(shù)據(jù)集上獲得了和當(dāng)時(shí)最好方法相當(dāng)?shù)男阅�。進(jìn)一步,基于參數(shù)化修正線性單元(PReLU:Parametric Rectified Linear Unit)構(gòu)造DCNN應(yīng)用于提出的遷移框架,驗(yàn)證了該框架對不同模型結(jié)構(gòu)具有適應(yīng)性。(3)為了解決級聯(lián)DCNN框架結(jié)構(gòu)復(fù)雜和計(jì)算復(fù)雜度高的問題,采用批歸一化(BN：Batch Normalization)構(gòu)造DCNN以抑制訓(xùn)練時(shí)DCNN各層輸入的數(shù)值范圍的變化,從而更快速地訓(xùn)練網(wǎng)絡(luò)；采用多任務(wù)學(xué)習(xí)方式,聯(lián)合優(yōu)化稀疏人臉基準(zhǔn)點(diǎn)定位和頭部姿態(tài)估計(jì)等問題,在多任務(wù)監(jiān)督信號約束下學(xué)習(xí)表達(dá)能力更強(qiáng)的特征。然后將DCNN遷移至稠密人臉基準(zhǔn)點(diǎn)定位問題。最終可采用單個(gè)網(wǎng)絡(luò)直接進(jìn)行稀疏或稠密人臉基準(zhǔn)點(diǎn)定位,從而大大簡化了算法框架,獲得了較快的預(yù)測速度,并獲得了和級聯(lián)DCNN方法相似的定位精度。(4)實(shí)現(xiàn)了基于DCNN的人臉檢測、人臉確認(rèn)和人臉辨識算法,與本文提出的人臉基準(zhǔn)點(diǎn)定位算法構(gòu)成了完整的人臉識別系統(tǒng)。通過該系統(tǒng)在標(biāo)準(zhǔn)數(shù)據(jù)集上驗(yàn)證了本文提出的人臉基準(zhǔn)點(diǎn)定位算法對人臉識別的促進(jìn)作用。為后續(xù)繼續(xù)研究基于DCNN的人臉識別算法提供了基礎(chǔ)平臺支撐。
【學(xué)位授予單位】：華中科技大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2016
【分類號】：TP391.41;TP183

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 孔祥儒;徑賽場地的系列化計(jì)算[J];湖北汽車工業(yè)學(xué)院學(xué)報(bào);1992年01期

2 ;微博之傳播[J];視聽界;2013年02期

3 孫立軍;劉興春;于興超;;極坐標(biāo)測量變形監(jiān)測網(wǎng)穩(wěn)定基準(zhǔn)點(diǎn)組的檢驗(yàn)[J];測繪信息與工程;2009年03期

4 李金生;楊學(xué)鋒;馬馳;;GPS網(wǎng)中基準(zhǔn)點(diǎn)的數(shù)量及位置分布對精度的影響分析[J];全球定位系統(tǒng);2010年02期

5 ;雷達(dá)與導(dǎo)航、聲納與對抗[J];電子科技文摘;1999年07期

6 張正祿;孔寧;沈飛飛;盧凌燕;;地鐵變形監(jiān)測方案設(shè)計(jì)與變形分析[J];測繪信息與工程;2010年06期

7 呂偉才;GSP網(wǎng)空間基準(zhǔn)點(diǎn)定位誤差引起的平差成果誤差的微分公式[J];全球定位系統(tǒng);2000年02期

8 薛祉摤;關(guān)于，

本文編號：1309793