论文部分内容阅读
自20世纪下半叶,计算机视觉技术逐渐发展壮大。在这之中,人脸识别由于其区别于其他生物特征识别方法的非侵扰行、便捷性、友好性、非接触性、可扩展性等受到了社会的广泛关注。2012年后,大数据和深度学习快速发展,各类基于深度学习和卷积神经网络的人脸识别算法层出不穷,效果也远远高于传统方法。一款基于深度学习技术来设计的实时的人脸识别系统,有着重要意义和广泛的应用前景。本文以设计一个基于深度学习技术的人脸识别系统为核心展开了研究。具体研究内容概括如下:(1)在人脸检测模块,介绍了深度学习在人脸检测领域的发展和应用。对级联式卷积神经网络结构和非级联式卷积神经网络结构进行了探讨,在CIFAR数据集上进行训练,比较两种结构的检测准确度和处理速度。最终选定MTCNN模型负责人脸检测任务。(2)在人脸识别模块,提出一种新的分析方法,利用SE-Block(Squeeze-andExcitation Block)得到各级特征的权重参数,进而分析网络的结构特性。提出了一种新型网络结构——DRNet(Dense-Residual Network),网络的浅层部分采用密集连接结构(Densely Connected Block)来提升挖掘新型特征的能力,网络的深层部分采用残差结构(Residual Block)来提升训练性能。此网络在提升特征表达能力的同时,减少了参数量。基于DRNet,设计了FaceNet模型负责人脸识别任务。最后对系统功能进行测试。(3)本文设计了一个基于深度学习技术的人脸识别系统。该系统通过摄像头获取视频数据,使用MTCNN对每帧图像进行人脸检测,裁剪出人脸对应的图像,通过DRNet提取深度特征,并通过球面映射方法将特征映射为128维的特征向量,用于人脸识别。最终本系统在LFW数据集上获得了98.35%的准确率。深度学习技术十分适用于图像识别尤其是人脸识别上,在足够的硬件支持下,基于这项技术开发的人脸识别系统能达到较高的识别准确率和实时性能,可以满足实际应用的需要。