基于卷积神经网络的动态人脸识别方法研究.pdf

基于卷积神经网络的动态人脸识别方法研究

摘要

近年来，人脸识别技术已经被广泛的应用到生活的各个领域，如人脸支付、考勤打

卡、身份验证等。如今人脸识别都采用基于图片的静态识别方式，需要人驻足在采集的

摄像头前，再将检测到人脸与数据库中的人脸进行匹配。然而，在实际场景中，受限于

运动的行人与固定图像采集设备的距离，摄像头采集的动态人脸存在尺度不同、遮挡重

合的问题，同时现有识别算法网络模型过大问题。因此，本文基于RtinaFace与FaceNet

算法，对于动态人脸识别展开研究，涉及到算法改进、后处理算法替换、优化损失函数

以及设计整体检测识别系统。主要研究工作如下：

针对运动状态下出现人脸尺度不同、遮挡重合以及速度与精度难以平衡的问题，本

文提出了一种改进的人脸检测算法D-RetinaFace。为了提高检测的整体性能，均衡检测

的速度以及检测精度，首先采用高精度轻量级MobileNetV3网络作为检测模块的骨干网

络，用于提取人脸的基本特征。其次，在骨干网络与特征金字塔连接中间加入ECA注

意力机制，提高对于不同尺度情况下的人脸信息的提取能力。最后，为了提高模型在遮

挡重合时的检测能力，在后处理阶段，根据人脸候选框的密度自适应调整阈值大小，引

入自适应非极大值抑制算法。在FDDB以及WiderFace数据集上进行验证，实验结果表

明改进后的算法可有效解决上述问题。此外，对于视频中的动态人脸进行检测时，本改

进算法也具有良好的性能。

针对识别网络中参数多、计算量大导致模型训练中收敛速度慢的问题，本文提出了

一种改进的人脸识别算法M-FaceNet。首先，为了降低网络模型参数，骨干网络采用更

加轻量化MobileNetV1网络进行特征向量提取。其次，在Triplet三元损失函数的基础

上，引入交叉熵损失函数作为辅助分类器，加快模型在训练时的收敛速度。在LFW数

据集上的实验结果表明，本文改进算法具有有效性。最后结合D-RetinaFace设计了动态

人脸识别的模型，通过实验证明了模型的可行性。

关键词：动态人脸识别；D-RetinaFace；M-FaceNet；深度学习；网络轻量化

基于卷积神经网络的动态人脸识别方法研究

Abstract

Inrecentyears,facialrecognitiontechnologyhasbeenwidelyappliedinvariousareasof

life,suchasfacialpayment,attendancetracking,andidentityverification.Currently,facial

recognitionprimarilyreliesonstaticimage-basedrecognitionmethods,requiringindividuals

tostandinfrontofacameraforfacecaptureandsubsequentmatchingagainstadatabaseof

faces.However,inreal-worldscenarios,therearechallengesrelatedtothedynamicnatureof

pedestriansandthedistancebetweenthemandfixedimagecapturedevices.Thesechallenges

includevariationsinfacialscale,occlusions,andoverlappingobjects,aswellastheissueof

existingrecognitionalgorithmnetworksbeingtoolarge.Therefore,thisstudyfocusesonthe

researchanddevelopmentofdynamicfacialrecognitionusingtheRtinaFa