基于卷積神經(jīng)網(wǎng)絡(luò)的人臉深度特征提取與應(yīng)用方法研究.pdf

1、目前，人臉識別是機(jī)器學(xué)習(xí)、模式識別和計算機(jī)視覺領(lǐng)域最熱門的研究課題之一，經(jīng)過幾十年的研究，已經(jīng)取得了豐碩的成果。近年來，公共安全領(lǐng)域?qū)θ四樧R別技術(shù)的需求增加，但很多傳統(tǒng)的人臉識別算法無法在這種實際應(yīng)用場景下達(dá)到令人們滿意的效果。而近幾年，隨著深度學(xué)習(xí)這一領(lǐng)域的研究和深入，卷積神經(jīng)網(wǎng)絡(luò)方法已經(jīng)被證明在人臉特征提取方面具有強(qiáng)大的能力，并多次刷新了公共數(shù)據(jù)集上的人臉識別準(zhǔn)確率。但目前基于卷積神經(jīng)網(wǎng)絡(luò)的方法仍有一些不足，如網(wǎng)絡(luò)參數(shù)過多、模型優(yōu)化

2、困難、計算資源消耗過大以及實際場景下識別率下降較快等。
　　本文針對這些不足，研究了基于卷積神經(jīng)網(wǎng)絡(luò)的人臉深度特征提取與應(yīng)用方法。本方法使用卷積神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)模型進(jìn)行人臉深度特征提取，并將提取出來的特征向量應(yīng)用到針對實際監(jiān)控場景的人臉圖像檢索系統(tǒng)中。針對這種人臉深度特征提取與應(yīng)用方法，本文的主要貢獻(xiàn)如下：
　　1.本文深入研究了卷積神經(jīng)網(wǎng)絡(luò)的原理和結(jié)構(gòu)，并針對淺層的網(wǎng)絡(luò)提取的特征無法充分地表征人臉，而深層的網(wǎng)絡(luò)又面臨迭代次數(shù)過

3、多，收斂過慢的問題，提出一種基于FECNN的人臉特征提取方法，該方法首先使用NIN的思想，設(shè)計出一種深度人臉特征提取網(wǎng)絡(luò)模型，能提取出更加魯棒的人臉深度特征；其次在網(wǎng)絡(luò)中使用新型Inception結(jié)構(gòu)，加深加寬了網(wǎng)絡(luò)并減少網(wǎng)絡(luò)參數(shù)，最后在整個網(wǎng)絡(luò)中使用批次歸一化技術(shù)，大大加快了整體網(wǎng)絡(luò)的收斂速度。本文通過實驗證明了FECNN網(wǎng)絡(luò)能快速收斂，并使用較少的參數(shù)提取出了魯棒的人臉特征。
　　2.本文針對現(xiàn)有卷積神經(jīng)網(wǎng)絡(luò)方法大多以增大類間

4、距離為學(xué)習(xí)目標(biāo)，而忽略了類內(nèi)距離的減小，從而導(dǎo)致一些實際場景中的人臉無法被準(zhǔn)確識別的問題，提出一種基于融合度量學(xué)習(xí)算法和深度卷積神經(jīng)網(wǎng)絡(luò)的人臉識別方法。首先，在FECNN網(wǎng)絡(luò)的基礎(chǔ)上，提出一種改進(jìn)的多Inception結(jié)構(gòu)的人臉特征提取網(wǎng)絡(luò)；其次，提出一種聯(lián)合損失的度量學(xué)習(xí)方法，將分類損失和中心損失進(jìn)行加權(quán)聯(lián)合；最后，將深度卷積神經(jīng)網(wǎng)絡(luò)和度量學(xué)習(xí)方法進(jìn)行融合，在網(wǎng)絡(luò)訓(xùn)練時，達(dá)到增大類間距離同時減小類內(nèi)距離的學(xué)習(xí)目標(biāo)。實驗表明，該方法能提