基于GPU的大規(guī)模人臉識別系統(tǒng)的設(shè)計與實現(xiàn).pdf

1、近年來，隨著基于深度學習的人臉識別技術(shù)的發(fā)展，成為了計算機視覺研究最熱門的領(lǐng)域之一，被廣泛的應用于公共安全、安防、金融等領(lǐng)域。但在實際應用場景中，人臉識別的準確率往往容易受到光線、遮擋、姿態(tài)等因素的干擾，在海量人臉搜索問題中，隨著人臉規(guī)模的不斷擴大，人臉識別的準確率逐漸降低，人臉識別的響應延時也在增大。針對實際應用場景中人臉識別準確率易受光照、遮擋、姿態(tài)等影響和海量人臉搜索延遲高的問題，對人臉識別算法的基礎(chǔ)理論和關(guān)鍵技術(shù)進行深入研究，重

2、點對復雜背景下的人臉識別、人臉搜索問題進行了分析，并提出新的人臉識別算法和人臉搜索方法，為人臉識別系統(tǒng)應用于實際場景提供一定的理論依據(jù)和技術(shù)支撐。本文的主要貢獻如下：
　?。?）提出基于卷積神經(jīng)網(wǎng)絡(luò)的人臉識別算法，在現(xiàn)有卷積網(wǎng)絡(luò)的結(jié)構(gòu)的基礎(chǔ)上，減少了卷積核的個數(shù)，在卷積層之間加入了殘差網(wǎng)絡(luò)，使用Softmax損失函數(shù)和中心損失函數(shù)組合的方式替換通用的單個 Softmax損失函數(shù)的方案用于網(wǎng)絡(luò)訓練，該算法模型在MsCeleb-1M數(shù)

3、據(jù)集上進行訓練，在LFW和YTF上進行測試，實驗結(jié)果表明該算法在LFW上達到了99.65％的準確率，在YTF上達到了96.5%的準確率，在GPU（NVIDIA TITAN X）上單張人臉特征提取延時為6ms。
　　（2）基于提出的人臉識別算法，采用基于 batch的人臉特征提取方案，在大小為32的batch下單張人臉特征提取延時為1.4ms。
　?。?）提出基于二級索引的快速人臉搜索算法，將人臉搜索過程分為基于二進制串的多倒