基于卷積神經(jīng)網(wǎng)絡(luò)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(guān)理論與應(yīng)用研究的快速發(fā)展，計算機視覺技術(shù)在日常生活應(yīng)用中的優(yōu)越性日益突顯出來。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)模型在自然場景下人臉識別領(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)的人臉識別的方法，不需要人工進(jìn)行復(fù)雜而耗時的特征提取算法設(shè)計，只需要設(shè)計一個有效的神經(jīng)網(wǎng)絡(luò)模型，然后在大量的訓(xùn)練樣本上進(jìn)行端到端的簡單、高效的訓(xùn)練，就能獲得不錯的分類準(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，因此本文

2、研究重點在于構(gòu)建一個合理的網(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：
　　（1）論文中對卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)理論知識進(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。然后過渡到卷積神經(jīng)網(wǎng)絡(luò)的理論基礎(chǔ)，并對其中的一些關(guān)鍵的非線

3、性計算的卷積層、下采樣層等進(jìn)行了闡述。最后，通過經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò) LeNet-5的例子說明了卷積神經(jīng)網(wǎng)絡(luò)模型的一般整體結(jié)構(gòu)。
　?。?）通過合理的減少原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(xùn)練困難等方面的問題，而且成功的應(yīng)用于自然環(huán)境下的人臉識別，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)庫上進(jìn)行實驗，獲得了94％的準(zhǔn)確率。然后，在這個模型之后增加了一個Siamese神經(jīng)網(wǎng)絡(luò)模型，提升了該網(wǎng)絡(luò)對較為復(fù)雜的人臉圖片的特征提取能力。論文也對該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)思想來構(gòu)建了一個全新的應(yīng)用于人臉識別領(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)初始化方式來解決深度網(wǎng)絡(luò)的收斂難問題，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。通過在 LFW人臉數(shù)據(jù)庫上面進(jìn)行實驗，取得了比 Lightened VGG模型更好的96%左右的準(zhǔn)確率。
　?。?）最后，將上述的模型算法應(yīng)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(jìn)行詳細(xì)介紹，并在自建的人臉數(shù)據(jù)庫上進(jìn)行了測試，達(dá)到了93%的準(zhǔn)確度。該系統(tǒng)驗證了本文方法的有效性，達(dá)到了在監(jiān)控視頻中進(jìn)行人臉識別的應(yīng)用