基于深度卷積神經(jīng)網(wǎng)絡(luò)的人臉識別研究.pdf

1、大數(shù)據(jù)蘊含大發(fā)展，結(jié)合不斷提升的高性能計算機(jī)更是給機(jī)器視覺技術(shù)帶來日新月異的發(fā)展。深度卷積神經(jīng)網(wǎng)絡(luò)也正是借著這股力量才大放異彩，其主要應(yīng)用包括語音識別、圖像處理、自然語言處理等。本文就當(dāng)前大環(huán)境下研究了卷積神經(jīng)網(wǎng)絡(luò)模型在靜態(tài)環(huán)境下人臉識別領(lǐng)域的應(yīng)用。相對傳統(tǒng)人臉識別方法而言，卷積神經(jīng)網(wǎng)絡(luò)模型不需要人工進(jìn)行大量而又復(fù)雜的特征提取算法設(shè)計，僅需要設(shè)計一個可行的網(wǎng)絡(luò)模型，再將大量的人臉訓(xùn)練數(shù)據(jù)集加載到網(wǎng)絡(luò)模型中，然后進(jìn)行自動訓(xùn)練，這樣就可以得

2、到很好的識別率。把訓(xùn)練好的模型保存下來，那么這個模型就是一個端到端的人臉特征提取器。該方法雖然操作簡單，但是需要根據(jù)訓(xùn)練數(shù)據(jù)集設(shè)計合理的網(wǎng)絡(luò)結(jié)構(gòu)，而且最難的關(guān)鍵點是超參數(shù)的調(diào)整和優(yōu)化算法的設(shè)計。因此本文結(jié)合殘差網(wǎng)絡(luò)和融合網(wǎng)絡(luò)構(gòu)建了兩個與計算資源和數(shù)據(jù)資源相匹配的網(wǎng)絡(luò)模型，并通過反復(fù)調(diào)整超參數(shù)和調(diào)試優(yōu)化器使其在訓(xùn)練集上能夠收斂，最終還取得較好的識別率。
　　本文的主要研究內(nèi)容和創(chuàng)新點如下:
　　1.介紹了卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)理論

3、知識。卷積神經(jīng)網(wǎng)絡(luò)本質(zhì)上是深層次的稀疏的傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)，因此本文先從傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)的模型結(jié)構(gòu)、前向和反向傳播算法進(jìn)行了詳細(xì)的分析;然后過渡到卷積神經(jīng)網(wǎng)絡(luò)的相關(guān)理論，對其重要組成部分如卷積層、激勵層、池化層和全連接層進(jìn)行了具體的闡述;最后對卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練時的一些注意事項進(jìn)行了說明。
　　2.對深度學(xué)習(xí)框架TensorFlow的系統(tǒng)架構(gòu)和編程模型作了一些說明，并對人臉數(shù)據(jù)進(jìn)行預(yù)處理，包括人臉檢測、數(shù)據(jù)增強(qiáng)、圖像標(biāo)準(zhǔn)化和人臉中心損

4、失。
　　3.提出了基于改進(jìn)的MyVGGNet和MySqueezeNet網(wǎng)絡(luò)的人臉識別。首先分析了模型VGGNet-16和SqueezeNet的網(wǎng)絡(luò)結(jié)構(gòu)及相關(guān)參數(shù)，然后本文提出將原VGGNet-16和SqueezeNet的網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)進(jìn)行優(yōu)化，并在每個卷積層和激勵層之間添加批歸一化層，在VGGNet-16網(wǎng)絡(luò)末尾用1個1×1的卷積層代替三個全連接層，還增加全局平均池化層，得到新的MyVGGNet和MySqueezeNet模型，最

5、終這兩個模型不僅解決原模型對硬件要求高、有限數(shù)據(jù)量產(chǎn)生過擬合等問題，還成功應(yīng)用到人臉識別的任務(wù)中。這樣就遷移了原網(wǎng)絡(luò)，在人臉識別任務(wù)中更容易獲得最優(yōu)解，最后在LFW數(shù)據(jù)集上分別獲得94.3％和95.1％的準(zhǔn)確率。
　　4.提出了基于二叉樹型融合網(wǎng)絡(luò)BTreeFuseNet_v1和BTreeFuseNet_v2的人臉識別。首先對深度神經(jīng)網(wǎng)絡(luò)的優(yōu)化問題和融合原理作了分析;然后結(jié)合殘差學(xué)習(xí)，融入分支并行、融合和級聯(lián)三種結(jié)構(gòu)，采用ReLU