基于深度学习的人脸识别系统研究.pdfVIP

基于深度学习的人脸识别系统研究 摘 要 人脸识别作为人工智能领域内的重要研究方向，受到了研究者们越来越多的 关注，其中基于深度学习的人脸识别技术，将人脸识别从实验室研究阶段发展到 日常使用阶段。然而在实际使用中，技术上面临光照强度，表情仪容，面容遮挡 等因素的影响，实现上需要兼顾人脸识别的精度与完成速度。 围绕上述问题，本学位论文融合深度学习和传统图像处理的方法来提升非受 限环境下人脸识别的准确率，通过网络结构小型化和计算框架加速化两个方向来 提高人脸检测与识别的速度，设计与完成一款支持相当数据规模的人脸识别系统: 自制数据集:通过采集多段亚洲人种跨年龄段、多角度、多姿态的短视频， 制作成亚洲人种数据集。该数据集拥有广泛的年龄范围，完备的日常妆容，丰富 的人脸表情，符合深度学习标准的使用量级。 人脸检测:基于经典人脸检测方法Multi-task Cascaded Convolutional Networks (MTCNN) ，融合mobilenet 网络的核心算法，在自建的数据库上进行迁移学习， 得到针对于亚洲人种的人脸检测算法。该算法优化了 MTCNN 中相应的网络结 构，在保证算法检测效果的同时，通过减少网络参数，提升检测的速度。 人脸识别:基于主流的人脸识别损失函数，在insightface loss 的基础上，设计 一种半监督损失函数。在网络训练过程中，采用无标签数据，扩大训练样本，提 高了模型泛化能力及其识别效果。 系统设计:设计并构建人脸识别系统，将自研算法模型，基于正向传播框架 ZQCNN 封装成 SDK，用C#构建整个系统的业务逻辑和界面显示，验证人脸检 测和人脸识别算法在实际场景的有效性。 关键词：深度学习、人脸识别、人脸检测、损失函数 I 目 录 摘 要 I ABSTRACT II 第一章 绪论 1 1.1 研究背景与意义 1 1.2 国内外研究现状 1 1.2.1 人脸检测研究现状 2 1.2.2 人脸识别研究现状 4 1.2.3 目前遇到的主要困难 4 1.3 本文的主要内容 5 1.4 本论文的组织结构 5 第二章 人脸检测算法设计7 2.1 深度学习基本理论介绍 8 2.1.1 卷积神经网络 8 2.1.2 CNN 参数计算量规则 9 2.2 人脸检测网络设计10 2.2.1 MTCNN 框架10 2.2.2 深度可分离卷积思想 11 2.2.3 基于深度可分离卷积的人脸检测网络12 2.4 实验设计与结果16 2.4.1 实验环境16 2.4.2 实验细节17 2.5 自建数据集20 2.6 本章小结22 第三章 人脸识别算法设计23 3.1 人脸识别评价指标23 3.2 主干网络23 3.2.1 残差网络23 3.2.2 轻量级网络25 3.3 人脸识别损失函数27 3.3.1 Softmax 损失函数27 3.3.2 contrastive loss 和 Triplet loss28 3.3.3 基于间隔的损失函数30 3.4 基于INSIGHTFACE 改进的损失函数32 3.5 实验细节34 3.6 本章小结36 第四章 人脸识别系统的设计与实现37 4.1 系统的概述以及总体框架37 4.1.1 系统概述37 4.1.2 系统总体框架38 4.2 系统流程40 4.2.1 刷脸模式流程40 4.2.2 刷脸比对流程41 4.2.3 数据库管理流程42 4.3 系统的模块设计与实现42 4.3.1 密集计算模块42 4.3.2 实时人脸检测模块43 4.3.3 人脸识别模块44 4.4 图像界面设计44