基于全局与局部特征融合的人脸识别的中期报告.docx

基于全局与局部特征融合的人脸识别的中期报告

中期报告

1.研究背景和意义

人脸识别是计算机视觉领域的热门问题之一，也是许多实际应用中的关键技术，例如安全门禁、人脸支付等等。随着深度学习技术的发展，基于深度学习的人脸识别算法不断涌现，已经在人脸识别领域取得了很大的进展。目前，国内外研究人员主要采用深度神经网络来学习人脸的特征表示，从而实现人脸识别。但是当人脸区域不明显、光线和姿态变化较大时，传统的人脸识别算法效果较差，难以满足实际应用的需要。

针对这个问题，本课题采用深度学习技术，提出了一种基于全局与局部特征融合的人脸识别算法。通过综合考虑全局和局部特征，来提高人脸识别算法的鲁棒性和准确性。其主要研究内容和意义在于：

1.提出一种新的人脸识别算法，通过融合全局和局部特征来提高鲁棒性和准确性。

2.研究人脸识别中的关键问题，例如图像的光照变化、姿态变化、尺度变化等，并提出相应的解决方案。

3.针对人脸识别中的实际应用场景，提出一种轻量级的网络结构，使得该算法可以运行在较为受限的硬件设备上，例如手机、嵌入式系统等。

2.研究内容

本课题主要研究内容包括以下几个方面：

2.1人脸检测

人脸识别的第一步是人脸检测，即在图像中确定人脸区域。针对这个问题，我们采用了基于深度学习的目标检测算法，例如FasterR-CNN、SSD等。

2.2全局特征提取

在确定了人脸区域之后，我们需要提取该区域的特征表示。我们采用了ResNet等深度神经网络进行全局特征提取。这些网络能够对图像进行多层次的特征学习，并得到较为鲁棒的特征表示。

2.3局部特征提取

在考虑全局特征的同时，我们也应该考虑图像中不同位置的局部特征。我们采用了基于卷积神经网络的局部特征提取方法，例如SPP-Net、RoIPool等。这些方法能够在不同尺度、不同位置的区域提取出具有代表性的局部特征。

2.4特征融合

全局特征和局部特征都对人脸识别具有重要作用，因此我们需要将它们进行融合。我们采用一些融合策略来综合考虑两种特征的贡献，例如元素加权方法、元素乘法方法等。

2.5网络结构优化

我们还需要考虑算法的计算复杂度和运行效率。为了使得该算法可以运行在受限硬件上，我们采用了一些轻量级网络结构进行优化，如MobileNet、ShuffleNet等。

3.研究进展

目前，我们已经完成了人脸检测、全局特征提取、局部特征提取等步骤，并成功地将它们进行了融合。我们在一些公开的大规模人脸识别数据集上进行了实验，这些数据集包括LFW、CASIA-WebFace等，并取得了较为良好的识别效果。同时，我们也在考虑网络结构优化和运行效率等问题，并初步尝试了使用MobileNet等轻量级网络结构进行优化。

4.计划和展望

在接下来的研究中，我们将继续优化算法的性能，主要包括以下几个方面：

4.1提高鲁棒性

在实际应用中，图像往往会受到各种噪声干扰和攻击，例如光照变化、姿态变化、口罩遮挡等。我们将进一步研究如何提高算法的鲁棒性，使得它能够在各种噪声条件下仍然具有较好的识别效果。

4.2进一步优化网络结构

我们将进一步对算法网络结构进行优化，从而达到更高的运行效率和更低的计算复杂度。同时，我们也将考虑将该算法部署到边缘设备上，例如智能手机、嵌入式系统等。

4.3拓展应用

我们将探索该算法在更多领域的应用，例如人脸验证、人脸跟踪、行人识别等。同时，我们也将考虑将该算法应用于安防、智能家居等实际场景中。