基于深度学习的人脸识别.pdf

发布时间：2022-05-31 发布人：admin 分类：说明书资料大小：7.40M 资料格式：pdf 举报版权申诉

qq_35661439-11176520-4744302543003940568.pdf-第1页.png

第1页 / 共63页

qq_35661439-11176520-4744302543003940568.pdf-第2页.png

第2页 / 共63页

qq_35661439-11176520-4744302543003940568.pdf-第3页.png

第3页 / 共63页

qq_35661439-11176520-4744302543003940568.pdf-第4页.png

第4页 / 共63页

qq_35661439-11176520-4744302543003940568.pdf-第5页.png

第5页 / 共63页

qq_35661439-11176520-4744302543003940568.pdf-第6页.png

第6页 / 共63页

qq_35661439-11176520-4744302543003940568.pdf-第7页.png

第7页 / 共63页

qq_35661439-11176520-4744302543003940568.pdf-第8页.png

第8页 / 共63页

封面

声明

摘要

英文摘要

1 绪论

1．1 人脸识别技术及其意义

1．2 人脸识别技术的难点

1．3 人脸识别技术常用方法及其研究现状

1．3．1 传统人脸识别方法

1．3．2 深度学习在人脸识别中的应用

1．3．3 人脸识别的研究现状

1．4 本文主要的研究内容

1．4．1 本文主要的研究内容

1．4．2 本文的章节安排

2 深度学习的基本理论

2．1 无监督的深层网络

2．1．1 单层无监督特征提取方法

2．1．2 深层无监督特征提取方法

2．2 深层卷积神经网络

2．2．1 CNN网络的特点

2．2．2 CNN网络的正向传播

2．2．3 CNN网络的反向传播

2．3 本章小结

3 基于深度学习与融入梯度信息的人脸姿态估测

3．1 引言

3．2 人脸姿态估测常用方法

3．3 深度信念网络的实施

3．3．1 深度信念网络(Deep Belief Network，DBN)

3．3．2 Softmax分类器

3．4 基于DBN网络与融入梯度信息的人脸姿态分类方法

3．4．1 输入数据归一化

3．4．2 DBN网络结构

3．4．3 实验测试结果及其分析

3．5 本章小结

4 基于多特征多网络的深层人脸特征提取方法

4．1 引言

4．2 人脸特征描述方法

4．2．1 灰度特征或RGB特征描述

4．2．2 LBP特征描述

4．2．3 梯度特征描述

4．3 基于多特征多网络的深层人脸特征提取方法

4．3．1 深层特征提取方案及其具体实施

4．3．2 实验测试结果及其分析

4．4 本章小结

5 一种减小类内特征波动范围的CNN网络微调方法

5．1 引言

5．2 减小类内特征波动范围的CNN微调算法

5．3 微调算法性能的实验验证

5．3．1 实验中所使用的CNN网络结构

5．3．2 实验测试结果及其分析

5．4 本章小结

结语

参考文献

攻读硕士学位期间发表学术论文情况

致谢

硕士学位论文基于深度学习的人脸识别 Face Recognition based on Deep Learning 学科、专业：堂 J 县．J‘ 指导教师：完成日期：工业工程 21304148 菱迭塑进垣 2Q!鱼生墨旦大连理工大学 Dalian University of Technology ˝ • ‰ ˚

大连理工大学学位论文独创性声明作者郑重声明：所呈交的学位论文，是本人在导师的指导下进行研究工作所取得的成果。尽我所知，除文中已经注明引用内容和致谢的地方外，本论文不包含其他个人或集体已经发表的研究成果，也不包含其他已申请学位或其他用途使用过的成果。与我一同工作的同志对本研究所做的贡献均已在论文中做了明确的说明并表示了谢意。若有不实之处，本人愿意承担相关法律责任。学位论文题目：叁蚕迭逢堂垫垡叁堕墼塾作者签名：握扭送日期：型丛年』月血日 ˝ • ‰ ˚

大连理工大学硕士学位论文摘要传统的人脸识别方法多采用浅层的结构提取人脸图像特征。这类方法提取人脸图像内涵特征的能力有限，其识别效果也难令人满意。随着认知科学和脑科学的发展，为深层网络技术提供了新的视角和思路。人们模拟人脑分层特征表达的结构，提出了多种深层网络模型。深层网络采用非线性、多层网络的结构，逐层提取人脸图像的特征，该类方法提取的特征具有更强的抽象性和判别力，适用于复杂的分类问题。深度学习自提出以来，便吸引了众多研究学者的关注，成为了模式识别领域的一颗新星。本文将深度学习技术应用于人脸识别，进行了以下三项工作： 1．人脸姿态估测在人脸识别和人机交互中均有广泛的应用。鉴于梯度特征能够很好地描述不同姿态图像的差异，本文以灰度特征和梯度特征的组合特征为输入来训练 DBN网络实现了人脸姿态的分类。本文构建了三层的深度信念网络(Deep BeliefNetwork， DBN)模型，并对网络参数进行训练。在CAS．PEAL．R1人脸数据库上进行姿态分类实验，实验结果表明，与常规单一地使用灰度特征为输入进行深度学习的方法相比，使用灰度和灰度差的组合特征为输入取得了更优的识别效果。 2．本文分析了图像灰度特征、LBP(Local Binary Pattem，LBP)特征和梯度特征在人脸表达上的优缺点，并将这三种互补性的特征进行融合，提取更具鲁棒性的特征。首先分别提取人脸图像的灰度特征、LBP特征和梯度特征，然后构建三种卷积神经网络 (Convolutional Neural Network，CNN)分别对灰度特征、LBP特征和梯度特征进行降维，提取更具判别力的特征，最后将这三种更具判别力的特征进行串接，并通过PCA 算法进行降维、融合。在LFW人脸数据库上进行交叉验证实验，实验结果表明，与基于单特征单网络的特征提取方法相比，基于多特征多网络的特征构建方法具有更好的识别效果。 3．本文提出了一种以减小类内特征波动范围为优化目标的CNN网络微调方法。在与训练集CAS．WebFace入脸数据库不重叠的LFW人脸数据库和YTF人脸数据库上进行测试，其等误差识别率分别提高了6．50％、4．04％。测试实验表明经过微调的CNN网络具有更强的泛化能力。关键词：深度学习；人脸姿态估测；人脸识别 ˝ • ‰ ˚

基于深度学习的人脸识别 Face Recognition based on Deep Learning Abstract The traditional face recognition pipeline uses shallow鼬ructure to extract the feature of face image，which has limited ability to extract the connotation feature of face image，and the recognition result is not satisfactory．With the development of cognitive science and brain science，it provides a new perspective and pipeline for deep network technology．People simulate the s仇】ctl】re of the hierarchical representation of the human brain．and put forward a variety of deep network models．The deep network adopts the s由ructure of nonlinear and multi—layer network，and extracts the feature of face image layer-by-layer，which makes extracted features more abstract and discriminative，and is more suitable for complex classification problems．It has attracted the attention ofmany researchers and has become a new star in the field ofpattem recognition，since the deep learning has been proposed．In this thesis， the deep learning technology be applied to face recognition，the main works are as follows． 1．Face pose estimation has been widely used in face recognition and human-computer interaction．Because the gradient feature Can well describe the difference of the attitude images，the combination feature between铲ay feature and gradient feature Was taken as input to train the DBN network to achieve the classification of attitude．In this thesis．deep belief network谢t11 the three layers Was constructed，and the parameters of network ware trained． Experiments ware done on the CAS—PEAL—R1 face database．The experimental results show that compared、)I，ith the conventional method of only taking gray features as input for de印 learning，taking the combination of gray features and gray difference features as input Can achieve better performance． 2． In this thesis，the advantages and disadvantages of image gray fea_tl】re，LBP feature and gradient feature are analyzed，and three complementary fetures ware fused to extract more robust features．Firstly，the gray fe舭，LBP feature and gradient feature are extracted． And then three CNN networks ware constructed for reducing the dimensionality of gray feature，LBP feature and gradient feature，and extracting the more discriminative features concatenated，and the respectively．Finally，the dimensionality reduction and fusion ware carried out by the PCA algodthrn．Cross．validation experiments ware done on the LFW face database．nle experimental results show that compared丽m the feature extraction method based on single-feature and single-network，the feature construction method based on multi．．feature and multi．．network achieve better performance． discriminative three features ware ˝ • ‰ ˚

j·In this thesis，a f'me-tuming algorithm of convolutional neural network is proposed， wmcn reduclng the variation of the intra-class features was taken as the optimizing target．The test experiments implemented on LFW face database andⅥF face databaSe wHch are not overlapping with the training set，and the equal error rate is increased by 6．50％and 4．04％ respectively·The test results show that new algorithm Can achieve b眦er geIleralization performance． Key Words：Deep Learning；Face Pose Estimation；Face Recognition ．．III．． ˝ • ‰ ˚

基于深度学习的人脸识别目录摘!要……………………………………………………………………………………………………………．．I Abstract……………………………．………………………………………………………………………………．．II 1 绪{仑………………………………………………………………………………………………………．1 1．1 人脸识别技术及其意义………………………………………………………1 1．2人脸识别技术的难点…………………………………………………………4 1．3人脸识别技术常用方法及其研究现状………………………………………5 1．3．1传统人脸识别方法……………………………………………………5 1．3．2深度学习在人脸识别中的应用………………………………………7 1．3．3人脸识别的研究现状…………………………………………………9 1．4本文主要的研究内容………………………………………………………．10 1．4．1本文主要的研究内容…………………………………………………10 1．4．2本文的章节安排……………………………………………………．．11 2深度学习的基本理论………………………………………………………………12 2．1无监督的深层网络…………………………………………………………．12 2．1．1 单层无监督特征提取方法…………………………………………．．12 2．1．2深层无监督特征提取方法…………………………………………．．16 2．2深层卷积神经网络…………………………………………………………．17 CNN网络的特点……………………………………………………．18 2．2．1 2．2．3 2．2．2 CNN网络的正向传播…………．：…………………………………．．19 CNN网络的反向传播…………………………………………．……20 2．3本章小结……………………………………………………………………．22 3基于深度学习与融入梯度信息的人脸姿态估测…………………………………23 3．1 引言…………………………………………………………………………．．23 3．2人脸姿态估测常用方法………………．……………………………………24 3．3深度信念网络的实施………………………………………………………．26 3。3。1深度信念网络(Deep BeliefNetwork，DBN)……………………26 Softmax分类器………………………………………………………26 3．3．2 3．4基于DBN网络与融入梯度信息的人脸姿态分类方法…………………．．27 3．4．1输入数据归一化……………………………………………………．．27 3．4．2 DBN网络结构………………………………………………………28 ˝ • ‰ ˚

大连理工大学硕士学位论文 3．4．3实验测试结果及其分析……………………………………………，．29 3．5本章小结……………………………………………………………………．31 4基于多特征多网络的深层人脸特征提取方法……………………………………32 4．1 引言…………………………………………………………………………．．32 4．2人脸特征描述方法…………………………………………………………．33 4．2．2 4．2．1 灰度特征或RGB特征描述…………………………………………33 LBP特征描述………………………………………………………．33 4．2．3梯度特征描述…………………………………………………………35 4．3基于多特征多网络的深层人脸特征提取方法……………………………．36 4．3．1 深层特征提取方案及其具体实施…………………………………．．36 4．3．2实验测试结果及其分析……………………………………………。38 4．4本章小结………………………………………………………………………41 5 一种减小类内特征波动范围的CNN网络微调方法……………………………．42 5．1 引言…………………………………………………………………………．42 5．2减小类内特征波动范围的CNN微调算法………………………………。43 5．3微调算法性能的实验验证…………………………………………………．43 5．3．1 实验中所使用的CNN网络结构……………………………………44 5．3．2实验测试结果及其分析………………………………………………45 5．4本章小结………………………………………………………………………46 结语…………………………………………………………………………………47 参考文献……………………………………………………………………………49 攻读硕士学位期间发表学术论文情况…………………………………………………54 致谢……………………………………………………………………………………55 大连理工大学学位论文版权使用授权书………………………………………………56 ˝ • ‰ ˚

大连理工大学硕士学位论文 1绪论 1．1人脸识别技术及其意义人类的生活离不开形形色色的社会交往活动，在这些活动中，人们扮演着不同的身份角色，并拥有着与之身份角色相对应的权力和义务。例如，财产所有者拥有管理和支配个人财产的权力，只有经过许可的人才能阅读保密的文献卷宗，职工要根据公司的规定按时上下班，公民有自觉遵守社会公共秩序的义务等。这些权力和义务的实施都离不开准确、快捷的身份识别与认证。传统的身份识别形式有两种：手持式证件和记忆式密码。手持式证件(如身份证、 IC卡、工牌、胸卡等)由持有者携带以证明其身份，但证件有不便携带、容易丢失、可能被伪造等缺点；而记忆式密码(如密码、口令等)设置的简单可能被破解，设置的复杂又可能会遗忘。这些身份识别形式在当今的社会活动中发挥着积极的作用，但也存在上述的一些隐患。当今世界人与人之间的交流日益频繁，人们迫切希望找到一种准确、快捷、友善的身份识别认证方法。人体具有多种可明显区分个体身份的生物特征(如人脸、虹膜、指纹、耳廓、掌纹、笔迹、语音等)。这些生物特征均具有明显的区分性，即不同的人的同一生物特征具有明显的差异。该特性是生物特征用于身份识别的主要依据。除此之外，这些生物特征还具有以下特性：普遍性，即每个人或绝大多数人具有这一生物特性：稳定性，即生物特征在相当长的一段时间内无明显变化或变化缓慢；易采集性，即生物特征便于采集，方便识别个体身份。因此，基于生物特征的身份识别认证技术吸引了越来越多的研究学者的关注f11，也取得了丰厚的研究成果，在出入境管理、智能门禁、公共安全监控、案件侦破、人机交互等领域均得到广泛的应用。在众多的基于生物特征的身份识别技术中，人脸识别技术以其独特的优势，成为了生物特征身份识别领域的新星，得NT迅速的发展。众多的人脸识别算法和系统被相继提出，人脸识别技术已成为图像理解分析领域最成功的应用之一【2】。与其他生物特征身份识别技术相比，人脸特征身份识别技术具有以下独特优势： (1) 符合人类长期身份判别习惯。在社会交往中，人们主要通过脸部的信息对不同的人进行辨认，人脸识别技术容易被测试者接受。人脸识别技术对测试者没有侵犯性，是一种直观、友好的身份识别形式。 ˝ • ‰ ˚

分享到：

赞收藏

资料库

基于深度学习的人脸识别.pdf

相关推荐

人工智能

热门标签

最新资料