基于深度学习的人脸识别分析-软件工程专业论文.docx

MSCAE uses raw pixel as input to extract features, which makes it sensible to illumination. Therefore, future work can be carried out to improve the algorithm specific to this problem. Besides, character of MSCAE that restricts output equal to input can be used to deal with pose and other problems. Key words: face recognition, deep learning, unsupervised feature learning, multi-scale, convolutional auto-encoder 目 录 第一章 引言 1 1.1 课题背景 1 1.2 研究内容 2 1.3 全文安排 3 第二章 人脸识别研究综述 5 2.1 图像预处理 5 2.2 人脸检测 6 2.3 特征提取 6 2.3.1 基于全局的特征提取方法 6 2.3.2 基于局部的特征提取方法 7 2.3.3 基于全局和局部特征融合的方法 9 2.4 分类决策 10 2.5 本章小结 11 第三章 基于深度学习框架的人脸识别12 3.1 深度学习 12 3.1.1 深度学习的主要思想 13 3.1.2 深度网络的训练过程 13 3.1.3 深度学习的常用模型 14 3.1.4 深度学习在人脸识别中的应用15 3.2 基于多尺度卷积自动编码器的人脸识别 16 3.2.1 整体框架 17 MSCAE 的学习过程 18 MSCAE 特征提取过程 21 3.2.4 特征融合 21 3.3 自动编码器 22 3.3.1 自动编码器结构22 3.3.2 自动编码器的变形 23 3.3.3 卷积自动编码器24 3.4 卷积神经网络25 3.4.1 卷积神经网络的结构 25 3.4.2 卷积神经网络的学习过程 26 3.4.3 卷积神经网络与卷积自动编码器 27 3.5 本章小结 28 第四章 基于卷积自动编码器的人脸识别 29 HYPERLINK \l _TOC_250001 4.1 ORL 和 Yale 人脸数据库 29 4.2 卷积自动编码器及相关参数设计30 4.2.1 不同尺度卷积自动编码器的参数设置 31 HYPERLINK \l _TOC_250000 4.2.2 HOG 特征参数设置 31 4.2.3 神经网络分类器参数设置 32 4.3 实验结果及分析 32 4.4 本章小结 35 第五章 基于预训练卷积神经网络的人脸识别 36 5.1 卷积神经网络参数设置 36 5.2 实验数据以及框架设计 37 5.3 实验结果及分析 38 5.4 本章小结 40 第六章 结论与展望 41 6.1 工作总结 41 6.2 未来展望 42 参考文献 43 发表论文和参加科研情况说明 47 致谢 48 第一章 第一章 引言 PAGE PAGE 1 第一章 引言 1.1 课题背景 身份鉴定技术在现在社会中的作用越来越重要，特别是随着互联网的迅速发 展，信息安全的地位更加凸显。身份鉴定被广泛应用于金融、安保、网络传输、 司法等领域。现在的身份认证方法有很多，包括特定知识，如密码、口令、暗语 等，标志物件，如工作证、身份证等，以及特定知识与标志物件的结合，如银行 卡和口令，门禁卡和口令等。虽然这些认证方法在技术上比较成熟，并且可以结 合先进的加密策略进行保护，但是这些技术在本质上对个体额外增加了附加的区 分性信息，而这些信息很容易丢失，并被伪造、被盗窃等，一旦发生这些情况， 谁是真正的用户，谁是系统的冒名顶替者就很难区分。因此，这些传统的身份鉴 定技术越来越不适应现代技术的发展和社会的进步。 生物特征识别技术给可靠的身份鉴别带来了可能，与传统的手段相比，这种 技术具有很多优点，比如唯一性、可靠性，方便性和不易盗取等。生物特征识别 技术是根据身体和行为特征来识别或验证一个人的自动方法[1,2]，主要包括人脸 识别、指纹识别、语音识别、表情分析及理解、虹膜识别等，它是一门交叉学科， 涉及数学、计算机科学、生理学、心理学、模式识别、图像处理技术、计算机视 觉及光学等多门学科[3,4]。 与其他生物特征识别技术相比，人脸识别是最直接、最自然和最友好的手段， 并且人脸是一种十分客观且有效反应个体间差异性的类别属性信息。因此，人脸 识别技术成为模式识别和人工智能领域中的一个研