資源描述：
《基于深度學(xué)習(xí)的近紅外人臉識別算法研究》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。
1、碩士學(xué)位論文基于深度學(xué)習(xí)的近紅外人臉識別算法研究RESEARCHONINFRAREDFACERECOGNITIONALGORITHMBASEDONDEEPLEARNING郭開哈爾濱工業(yè)大學(xué)2016年12月萬方數(shù)據(jù)國內(nèi)圖書分類號：TP391.4學(xué)校代碼：10213國際圖書分類號：004.9保密：公開工程碩士學(xué)位論文基于深度學(xué)習(xí)的近紅外人臉識別算法研究碩士研究生：郭開導(dǎo)師：徐勇教授申請學(xué)位：工程碩士學(xué)科：計算機(jī)技術(shù)所在單位：深圳研究生院答辯日期：2016年12月授予學(xué)位單位：哈爾濱工業(yè)大學(xué)萬方數(shù)據(jù)ClassifiedIndex:TP391.4U.D.C:004.9Dissertatio
2、nfortheMaster’sDegreeofEngineeringRESEARCHONINFRAREDFACERECOGNITIONALGORITHMBASEDONDEEPLEARNINGCandidate：KaiGuoSupervisor：Prof.YongXuAcademicDegreeAppliedfor：Master’sDegreeofEngineeringSpecialty：ComputerTechnologyShenzhenGraduateSchoolAffiliation：DateofDefense：December,2016Degree-Conferring-In
3、stitution：HarbinInstituteofTechnology萬方數(shù)據(jù)哈爾濱工業(yè)大學(xué)工程碩士學(xué)位論文摘要在計算機(jī)視覺領(lǐng)域，人臉識別一直都是一個比較難的問題。得益于卷積神經(jīng)網(wǎng)絡(luò)強(qiáng)大的特征提取能力，深度學(xué)習(xí)算法在人臉識別問題取得了突出的成績。但是，在實際的工程應(yīng)用中我們發(fā)現(xiàn)深度學(xué)習(xí)方并沒有達(dá)到預(yù)期的效果。主要歸因于用戶所處的使用環(huán)境復(fù)雜多變，這種變化往往會導(dǎo)致方法識別效果的下降，尤其是環(huán)境光照的改變。此外，深度學(xué)習(xí)算法性能的提升依賴于大規(guī)模高質(zhì)量的訓(xùn)練樣本，然而這些訓(xùn)練集的獲取需要消耗大量的人力與物力資源。在卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)越來越相似的今天，如何為一般的企業(yè)級用戶提供一個有
4、效可行的訓(xùn)練方案成為了深度學(xué)習(xí)算法實際應(yīng)用最大的難題。本文針對這一難點，分別提出了兩種改進(jìn)方案，一種是基于近紅外圖片的深度學(xué)習(xí)人臉識別算法，一種是基于深度學(xué)習(xí)與得分融合的人臉識別算法。實驗表明，在實際的工程應(yīng)用中，本文的改進(jìn)方案是非常有效的。關(guān)鍵工作總結(jié)如下：1、本文提出了一種基于近紅外圖片的改進(jìn)算法。即利用近紅外圖像對光照變化不敏感的特性，提出了一種以深度學(xué)習(xí)為基礎(chǔ)，利用近紅外圖片作為模型輸入的一種改進(jìn)方案。經(jīng)過相關(guān)的實驗和實際應(yīng)用場景下的測試，最后的結(jié)果證明本文的改進(jìn)方案是有效的。2、由于近紅外圖片存在人臉輪廓邊緣模糊，細(xì)節(jié)特征損失等問題，這些缺陷最終會導(dǎo)致近紅外人臉識別算法性
5、能的下降?？梢姽鈭D片雖然容易受到光照變化的影響但是不會存在細(xì)節(jié)損失等問題。因此，本文進(jìn)一步提出了基于深度學(xué)習(xí)與得分融合的改進(jìn)策略，該策略使得兩種不同模態(tài)的人臉圖片在識別過程中相互補(bǔ)充，從而提高識別率。最后在多個數(shù)據(jù)集上的測試結(jié)果顯示，本文提出的改進(jìn)方案在原有的基礎(chǔ)上進(jìn)一步的提高了。關(guān)鍵詞：深度學(xué)習(xí)；近紅外圖片；光照變化；得分融合；人臉識別-I-萬方數(shù)據(jù)哈爾濱工業(yè)大學(xué)工程碩士學(xué)位論文AbstractFacerecognitionisadifficultissueinthefieldofcomputervision.Withthestrongabilityoffeatureextrac
6、tionofconvolutionneuralnetwork,thedeeplearningalgorithmhasmadeoutstandingachievementsinthefacerecognitionproblem.However,wefoundthatthedeeplearningalgorithmdoesnotachievesatisfactoryperformancetorealapplications.Thereasonisthattheappliedenvironmentiscomplexandchangeable,andthesefactorscandegra
7、detheperformanceofthealgorithm.Inaddition,theperformanceofthedeeplearningalgorithmdependsonalarge-scaleandhigh-qualitytrainingset,whichexpendsalargeamountofmanpowerandmaterialresourcestocollectinengineeringapplications.Atpresent,deepcon
