基于深度学习的人脸识别算法与应用研究-控制科学与工程专业论文.docxVIP

独创性声明本人声明所呈交的论文是我个人在导师指导下进行的研究工作及取得的研究成果。尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得西南科技大学或其它教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均己在论文中作了明确的说明并表示了谢意。签名:日期:仔公t干Tb.6.关于论文使用和授权的说明本人完全了解西南科技大学有关保留、使用学位论文的规定，即:学校有权保留学位论文的复印件，允许该论文被查阅和借阅;学校可以公布该论文的全部或部分内容，可以采用影印、缩印或其他复制手段保存论文。(保密的学位论文在解密后应遵守此规定)签名:仔今r师签名:均日期:7016.6}摘要人脸识别技术是智能监控系统的重要技术构件，它能通过非接触的方式检验人员身份、具有简单方便和易于实现的特点，因而在许多地方得到广泛应用，但传统的人脸识别技术局限于实验室场景下，在测试算法性能的时候使用的数据库里的样本都被严格控制了光照、姿态、表情等变化，并且有些特征描述子的计算开销较大，无法满足现场测试的实时性要求，所以不能应用于实际场景。因此解决人脸识别的现场应用问题具有重要的研究意义与应用价值。本文首先研究了传统人脸识别法的局限性和经典人脸识别算法在自然环境下现场应用中存在的瓶颈问题，提出基于深度学习理论的算法来抽取模式特征以解决人脸特征对现场影响因素的鲁棒性问题。研究了人脸特征选择算法。重点研究了稀疏滤波（SparseFiltering）、卷积神经网络（ConvolutionalNeuralNetworks）这两种特征选择方法，提出一种SF-CNN双重深度特征提取模型。然后根据户外标记人脸数据库(LabledFacesintheWild)的测试规范，设计实验测试并分析了SF-CNN双重深度特征提取模型算法的性能。实验结果表明该方法能更加有效地抽象得到人脸信息的高级信息，使提取得到的特征具有更高的判别性，识别率更高。最后使用C++编程实现了一个人脸课堂点名系统，将前面研究得到的SF-CNN算法应用到现实场景的人脸识别任务中去，达到了预期的效果。关键词：人脸识别稀疏滤波卷积神经网络SF-CNN人脸点名系统AbstractFacialrecognitiontechniqueisasignificantcomponentofasmartsystem.Itverifiesidentitiesinanon-contactmannerwhichmakesitconvenientandpracticaltobeimplemented.Thusithasbeenwidelyusedinmanyaspects.However,traditionalfacialrecognitioncannotbeappliedinanactualsceneduetoitssubjectiontothelabexperimentalrestrictions.Thealgorithmsservewellonlywithacontrolleddatabaseincertainillumination,expressionandposevariationrangeandmoreoversomedescriptorswouldbetootime-consumingtomeetthereal-timerequirement.Therefore,tosolvetheproblemofapplyingfacialidentificationtothereal-lifetasksisofgreatsignificanceandvalue.Limitationsoftraditionalfacialidentificationtechniquesandthebottleneckproblemofapplyingthesetechniquesinpracticalsceneareresearched.Thendeeplearningmethodstoextractpatternfeaturesisthesolvingkeyisproposed.FeatureselectionmethodsofSparseFilteringandConvolutionalNeuralNetworksareanalyzed.AdoubledeepfeatureextractionmethodcombiningSparseFilteringandConvolutionalNeuralNetworksisproposedandreferredastheSF-CNNalgorithm.Accordingtothetestingparadigmattachedtoanu