基于卷積神經(jīng)網(wǎng)絡的人臉識別研究與實現(xiàn).pdf

1、如今，隨著計算機視覺的相關理論與應用研究的快速發(fā)展，計算機視覺技術在日常生活應用中的優(yōu)越性日益突顯出來。本文主要研究了深度學習方法中的卷積神經(jīng)網(wǎng)絡模型在自然場景下人臉識別領域的應用。深度卷積神經(jīng)網(wǎng)絡模型相比較于傳統(tǒng)的人臉識別的方法，不需要人工進行復雜而耗時的特征提取算法設計，只需要設計一個有效的神經(jīng)網(wǎng)絡模型，然后在大量的訓練樣本上進行端到端的簡單、高效的訓練，就能獲得不錯的分類準確率。該方法的性能和效果主要取決于網(wǎng)絡結構的設計，因此本文

2、研究重點在于構建一個合理的網(wǎng)絡模型結構，并采取一些相關技術保證其在訓練集上能夠穩(wěn)定地、快速地收斂，而且還要最終獲得良好的分類準確率。
　　本文主要內容包括：
　?。?）論文中對卷積神經(jīng)網(wǎng)絡的基礎理論知識進行了歸納總結。卷積神經(jīng)網(wǎng)絡發(fā)展于傳統(tǒng)的神經(jīng)網(wǎng)絡，本文先從早期的傳統(tǒng)神經(jīng)網(wǎng)絡中的網(wǎng)絡結構、梯度下降、BP算法(Error Back Propagation)進行了闡述。然后過渡到卷積神經(jīng)網(wǎng)絡的理論基礎，并對其中的一些關鍵的非線

3、性計算的卷積層、下采樣層等進行了闡述。最后，通過經(jīng)典的卷積神經(jīng)網(wǎng)絡 LeNet-5的例子說明了卷積神經(jīng)網(wǎng)絡模型的一般整體結構。
　?。?）通過合理的減少原VGG卷積神經(jīng)網(wǎng)絡訓練參數(shù)，得到了改進的Lightened VGG網(wǎng)絡模型，并使用比隨機初始化更好地參數(shù)初始化方法來縮減模型的收斂時間，最終該新模型不僅解決了原VGG模型對硬件要求高、訓練困難等方面的問題，而且成功的應用于自然環(huán)境下的人臉識別，并在嚴格預處理后的 LFW（Labe

4、led Faces in the Wild）人臉數(shù)據(jù)庫上進行實驗，獲得了94％的準確率。然后，在這個模型之后增加了一個Siamese神經(jīng)網(wǎng)絡模型，提升了該網(wǎng)絡對較為復雜的人臉圖片的特征提取能力。論文也對該Siamese模型進行詳細的介紹和分析。
　?。?）論文采用一種新的殘差學習思想來構建了一個全新的應用于人臉識別領域的Residual網(wǎng)絡模型。該模型深度達到了34層，采用了新的參數(shù)初始化方式來解決深度網(wǎng)絡的收斂難問題，并使用了批

5、度歸一化（Batch Normalization）技術增加了模型的穩(wěn)定性。通過在 LFW人臉數(shù)據(jù)庫上面進行實驗，取得了比 Lightened VGG模型更好的96%左右的準確率。
　?。?）最后，將上述的模型算法應用于實際場景中，實現(xiàn)了一個基于實時監(jiān)控視頻的人臉識別系統(tǒng)。對系統(tǒng)各個模塊的功能和流程進行詳細介紹，并在自建的人臉數(shù)據(jù)庫上進行了測試，達到了93%的準確度。該系統(tǒng)驗證了本文方法的有效性，達到了在監(jiān)控視頻中進行人臉識別的應用