基于卷積神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別研究與實(shí)現(xiàn).pdf_第1頁(yè)
已閱讀1頁(yè),還剩101頁(yè)未讀 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說(shuō)明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡(jiǎn)介

1、如今,隨著計(jì)算機(jī)視覺(jué)的相關(guān)理論與應(yīng)用研究的快速發(fā)展,計(jì)算機(jī)視覺(jué)技術(shù)在日常生活應(yīng)用中的優(yōu)越性日益突顯出來(lái)。本文主要研究了深度學(xué)習(xí)方法中的卷積神經(jīng)網(wǎng)絡(luò)模型在自然場(chǎng)景下人臉識(shí)別領(lǐng)域的應(yīng)用。深度卷積神經(jīng)網(wǎng)絡(luò)模型相比較于傳統(tǒng)的人臉識(shí)別的方法,不需要人工進(jìn)行復(fù)雜而耗時(shí)的特征提取算法設(shè)計(jì),只需要設(shè)計(jì)一個(gè)有效的神經(jīng)網(wǎng)絡(luò)模型,然后在大量的訓(xùn)練樣本上進(jìn)行端到端的簡(jiǎn)單、高效的訓(xùn)練,就能獲得不錯(cuò)的分類準(zhǔn)確率。該方法的性能和效果主要取決于網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計(jì),因此本文

2、研究重點(diǎn)在于構(gòu)建一個(gè)合理的網(wǎng)絡(luò)模型結(jié)構(gòu),并采取一些相關(guān)技術(shù)保證其在訓(xùn)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(zhǔn)確率。
  本文主要內(nèi)容包括:
 ?。?)論文中對(duì)卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)理論知識(shí)進(jìn)行了歸納總結(jié)。卷積神經(jīng)網(wǎng)絡(luò)發(fā)展于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò),本文先從早期的傳統(tǒng)神經(jīng)網(wǎng)絡(luò)中的網(wǎng)絡(luò)結(jié)構(gòu)、梯度下降、BP算法(Error Back Propagation)進(jìn)行了闡述。然后過(guò)渡到卷積神經(jīng)網(wǎng)絡(luò)的理論基礎(chǔ),并對(duì)其中的一些關(guān)鍵的非線

3、性計(jì)算的卷積層、下采樣層等進(jìn)行了闡述。最后,通過(guò)經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò) LeNet-5的例子說(shuō)明了卷積神經(jīng)網(wǎng)絡(luò)模型的一般整體結(jié)構(gòu)。
  (2)通過(guò)合理的減少原VGG卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練參數(shù),得到了改進(jìn)的Lightened VGG網(wǎng)絡(luò)模型,并使用比隨機(jī)初始化更好地參數(shù)初始化方法來(lái)縮減模型的收斂時(shí)間,最終該新模型不僅解決了原VGG模型對(duì)硬件要求高、訓(xùn)練困難等方面的問(wèn)題,而且成功的應(yīng)用于自然環(huán)境下的人臉識(shí)別,并在嚴(yán)格預(yù)處理后的 LFW(Labe

4、led Faces in the Wild)人臉數(shù)據(jù)庫(kù)上進(jìn)行實(shí)驗(yàn),獲得了94%的準(zhǔn)確率。然后,在這個(gè)模型之后增加了一個(gè)Siamese神經(jīng)網(wǎng)絡(luò)模型,提升了該網(wǎng)絡(luò)對(duì)較為復(fù)雜的人臉圖片的特征提取能力。論文也對(duì)該Siamese模型進(jìn)行詳細(xì)的介紹和分析。
 ?。?)論文采用一種新的殘差學(xué)習(xí)思想來(lái)構(gòu)建了一個(gè)全新的應(yīng)用于人臉識(shí)別領(lǐng)域的Residual網(wǎng)絡(luò)模型。該模型深度達(dá)到了34層,采用了新的參數(shù)初始化方式來(lái)解決深度網(wǎng)絡(luò)的收斂難問(wèn)題,并使用了批

5、度歸一化(Batch Normalization)技術(shù)增加了模型的穩(wěn)定性。通過(guò)在 LFW人臉數(shù)據(jù)庫(kù)上面進(jìn)行實(shí)驗(yàn),取得了比 Lightened VGG模型更好的96%左右的準(zhǔn)確率。
  (4)最后,將上述的模型算法應(yīng)用于實(shí)際場(chǎng)景中,實(shí)現(xiàn)了一個(gè)基于實(shí)時(shí)監(jiān)控視頻的人臉識(shí)別系統(tǒng)。對(duì)系統(tǒng)各個(gè)模塊的功能和流程進(jìn)行詳細(xì)介紹,并在自建的人臉數(shù)據(jù)庫(kù)上進(jìn)行了測(cè)試,達(dá)到了93%的準(zhǔn)確度。該系統(tǒng)驗(yàn)證了本文方法的有效性,達(dá)到了在監(jiān)控視頻中進(jìn)行人臉識(shí)別的應(yīng)用

溫馨提示

  • 1. 本站所有資源如無(wú)特殊說(shuō)明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒(méi)有圖紙預(yù)覽就沒(méi)有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。

最新文檔

評(píng)論

0/150

提交評(píng)論