《基于改进卷积神经网络的人脸识别算法及实验设计》8600字.docx

PAGE

PAGE6

基于改进卷积神经网络的人脸识别算法及实验设计

目录

TOC\o1-3\h\u140861绪论 2

247291.1研究背景及意义 2

285211.2国内外研究现状 2

158221.3本文主要内容 3

188942卷积神经网络基本概述 5

187422.1卷积神经网络发展历程 5

15262.2卷积神经网络基本结构 6

284733人脸数据集的处理 7

91093.1图像尺度归一化处理 7

25663.2图像灰度归一化处理 7

41864基于改进的卷积神经的人脸识别 8

173714.1卷积神经网络结构的优化 8

152474.2Softmax函数的优化 9

114524.3实验结果分析 10

254765总结与展望 12

99055.1总结 12

213275.2展望 13

15285参考文献 15

PAGE

PAGE6

1绪论

1.1研究背景及意义

所谓人脸识别技术，就是通过硬件摄像头进行图像采集，进而实现身份辨别的功能。该技术从兴起到发展的现阶段，用到了几何特征法、LPB、很早被用于语音识别的隐马尔可夫法以及特征脸法等各种方法。然而这些方法主要借助人力来获取相应特征，该过程存在一定不足，使得运用过程中极易受到实际光照、旋转、遮挡等因素的制约，进而导降低识别率以及精确度。在技术的不断革新发展情况下，卷积神经网络能够进行很好的图像处理与准确的语音识别，然而以往的卷积神经网络因为其网络结构较为繁琐，不得不需要进行大量的计算，进行较长时间的训练，为此人们还需要投入更多的人力物力，用于发展技术。当某一天人脸识别技术得到更大的发展，其实时性和精度能够更上一步，将会获得更多的使用。因此，人脸识别技术的不断优化具有一定积极意义。

1.2国内外研究现状

在有关机器视觉的具体研发过程中，人脸识别受到很大的关注，主要是对摄像机获取的人脸图像进行预处理人脸的相关检测以及基本特征的提取，再经计算机的整合并将所获图将图像信息与数据库中已有的数据进行匹配，从而实现人脸识别、与确权等后续应用。人脸识别的识别过程如图1.1

图1.1人脸识别的一般流程

当下，人脸识别算法主要有早期提出的算法和以深度学习为基础所提出的人脸识别。先前的人脸识别算法大多数采用的是几何特征算法，这是由Kanade的研究团队首次提出，他是通过将人脸上眼、鼻、嘴等器官的坐标信息转换成对应的面部特征信息，最后采用相似度来进行度量。虽然这种方法实现了对人脸的初步识别，但是缺点也十分明显，那就是需要人工进行特征处理，这需要耗费大量的人力。几何特征法难以对人脸表情的变化和年龄的变化难以很好的识别，也就不要说现实使用了。进入到20世纪90年代，Turk提出来的基于特征脸的人脸识别方法，是对人脸特征信息进行降维操作，然后进行线性分析，这取得了很好的效果。Belhumeur针对光照对人脸信息的影响进行了研究，提出了FisherFace人脸识别算法，进一步提升人脸识别的准确度。随着技术的进步，各种方法被纷纷提出，直到人脸模板匹配方法的提出。虽然取得了很好的成效，但是在现实使用中，遇到遮挡偏移等情况，就会降低识别的成功率。因为早期方法获得的特征不够全面，并且在运用到现实的过程中存在一定阻碍，如现实的光照、旋转、大小等因素都会制约具体识别过程。针对深度学习相关理论的研究得出，卷积神经网络能够有效借助人脸图像特征增加实际的识别率，该情况主要源于卷积神经网络的优势，其能够进行部分感知以及权值的共享，因此，普遍用在人脸识别上。Taigman等人根据深度卷积神经网络制定了一种人脸验证的基本方法，然而该方法需要大量的训练样本。Schroff等人则借助三元组损失函数展开相应的网络训练，结合所得特征来缩短算法执行的具体时长。尽管在图像识别中卷积神经网络获得一定成就，但其依旧存在一定不足。例如：神经网络的结构过于依靠经验，重要参数的设置上没有理论支撑，训练需要大量样本和时间等。

1.3本文主要内容

本文提出了一种根据改进的卷积神经网络进行人脸识别的算法，对优化神经网络结构，调整全连接级别和softmax分类器，可以削弱网络深度，减少训练时间，增加人脸识别的实际效率。本文总共五个章节，第一章是对人脸识别技术的研究进行具体探究，以及简要概括了传统算法和基于深度学习理论的人脸识别的长处与不足。第二章概述传统卷积神经网络的发展情况以及其具有的基本结构，第三章从数据集的处理开始阐述本文为了减少模型训练时长，降低计算量对传统卷积神经所做出的改进，第四章阐述了改进的神经网络模型的基本网络结构和对Softmax分类器的改进。评估了模型，并在同一平台