基于深度學(xué)習(xí)的人臉識(shí)別

《基于深度學(xué)習(xí)的人臉識(shí)別》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫(kù)。

1、乂連謹(jǐn)是大聲ＤＡＬＩＡＮＵＮＩＶＥＲＳＩＴＹＯＦＴＥＣＨＮＯＬＯＧＹ損王享恆巧交ＭＡＳＴＥ民ＡＬＤＩＳＳＥＲＴＡＴＩＯＮ，，‘＇鶏古Ｖ；基于深度學(xué)習(xí)的人臉棚?。剩崳姡睒I(yè)雄學(xué)科專業(yè)＿＿＿胃福運(yùn)作者姓名指導(dǎo)教師２答辯日期＿＿馬碩±學(xué)位論文基于深度學(xué)習(xí)的人臉識(shí)別ＦａｃｅＲｅｃｏｎｉｔｉｏｎｂａｓｅｄｏｎＤｅｅＬｅａｒｎｉｎｇｐｇ作者姓名：程福運(yùn)．學(xué)科、專業(yè)；工業(yè)工程－學(xué)號(hào)：２１３０４１４８指導(dǎo)教師；蘇鐵明講師完成日期：２０１６年５月

2、乂途巧義乂緣Ｄａｌｉａ打Ｕｎｉｖｅｒｓｉｔｙｏｆ了ｅｃｈｎｏｌｏｇｙ大連理工大學(xué)學(xué)位論文獨(dú)創(chuàng)性聲明作者鄭重聲明：所呈交的學(xué)位論文，是本人在導(dǎo)師的指導(dǎo)下進(jìn)行研究＞工作所取得的成果。盡我所知，除文中己經(jīng)注明引用內(nèi)容和致謝的地方外，本論文不包含其他個(gè)人或集體己經(jīng)發(fā)表的研究成果，也不包含其他已申請(qǐng)學(xué)位或其他用途使用過的成果一。與我同工作的同志對(duì)本研究所做的賈獻(xiàn)均巴在論義中做了明確的說明并表示了謝意。若有不實(shí)之處，本人愿意承擔(dān)相關(guān)法律責(zé)任。學(xué)位論文題目：秦寺叛接終３成入艇皆、城．作者簽名：泉痛垃日期＝ａｏｉ／年

3、＜月八日．大連理工大學(xué)碩±學(xué)位論文摘要傳統(tǒng)的人臉識(shí)別方法多采用淺層的結(jié)構(gòu)提取人臉圖像特征。這類方法提取人臉圖像內(nèi)涵特征的能力有限，其識(shí)別效果也難令人滿意。隨著認(rèn)知科學(xué)和腦科學(xué)的發(fā)展，為深。層網(wǎng)絡(luò)技術(shù)提供了新的視角和思路人們模擬人腦分層特征表達(dá)的結(jié)構(gòu)，提出了多種深層網(wǎng)絡(luò)模型，逐。深層網(wǎng)絡(luò)采用非線性、多層網(wǎng)絡(luò)的結(jié)構(gòu)層提取人臉圖像的特征，該類方法提取的特征具有更強(qiáng)的抽象性和判別力，適用于復(fù)雜的分類問題。深度學(xué)習(xí)自提出一Ｗ來(lái)，便吸引了眾多研究學(xué)者的關(guān)注，成為了模式識(shí)別領(lǐng)域的顆新星。本文將深度學(xué)習(xí)技術(shù)應(yīng)用于人臉識(shí)別，

4、進(jìn)行了Ｗ下Ｈ項(xiàng)工作：１．人臉姿態(tài)估測(cè)在人臉識(shí)別和人機(jī)交互中均有廣泛的應(yīng)用。鑒于梯度特征能夠很好地描述不同姿態(tài)圖像的差異，本文Ｗ灰度特征和梯度特征的組合特征為輸入來(lái)訓(xùn)練ＤＢＮ網(wǎng)絡(luò)實(shí)現(xiàn)了人臉姿態(tài)的分類。本文構(gòu)建了Ｈ層的深度信念網(wǎng)絡(luò)（ＤｅｅｐＢｅｌｉｅｆＮｅｔｗｏｒｋ，ＤＢＮ－）模型，并對(duì)網(wǎng)絡(luò)參數(shù)進(jìn)行訓(xùn)練。在ＣＡＳＰＥＡＬＲｌ人臉數(shù)據(jù)庫(kù)上進(jìn)行姿態(tài)分類實(shí)一地使用灰度特征為輸入進(jìn)行深度學(xué)習(xí)的方法相比驗(yàn)，實(shí)驗(yàn)結(jié)果表明，與常規(guī)單，使用灰度和灰度差的組合特征為輸入取得了更優(yōu)的識(shí)別效果。２．本文分析了圖像灰度特征、ＬＢＰ（ＬｏｃａｌＢ

5、ｉｎａｒｙＰａｔｔｅｒｎ，ＬＢＰ）特征和梯度特征在人臉表達(dá)上的優(yōu)缺點(diǎn)，并將這Ｈ種互補(bǔ)性的特征進(jìn)行融合，提取更具魯棒性的特征。首先分別提取人臉圖像的灰度特征、ＬＢＰ特征和梯度特征，然后構(gòu)建Ｈ種卷積神經(jīng)網(wǎng)絡(luò)（ＣｏｎｖｏｌｕｔｉｏｎａｌＮｅｕｒａｌＮｅｔｗｏｒｋＣＮＮ）分別對(duì)灰度特征、ＬＢＰ特征和梯度特征進(jìn)行降，維，，提取更具判別力的特征，最后將這Ｈ種更具判別力的特征進(jìn)行串接并通過ＰＣＡ算法進(jìn)行降維、融合。在ＬＦＷ人臉數(shù)據(jù)庫(kù)上進(jìn)行交叉驗(yàn)證實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明，與基于單特征單網(wǎng)絡(luò)的特征提取方法相比，基于多特征多網(wǎng)絡(luò)的特征構(gòu)建方法

6、具有更好的識(shí)別效果。一３．本文提出了種Ｗ減小類內(nèi)特征波動(dòng)范圍為優(yōu)化目標(biāo)的ＣＮＮ網(wǎng)絡(luò)微調(diào)方法。在與訓(xùn)練集ＣＡＳ－ＷｅｂＦａｃｅ人臉數(shù)據(jù)庫(kù)不重疊的ＬＦＷ人臉數(shù)據(jù)庫(kù)和ＹＴＦ人臉數(shù)據(jù)庫(kù)上進(jìn)．行測(cè)試，其等誤差識(shí)別率分別提高了６．５０％、４０４％。測(cè)試實(shí)驗(yàn)表明經(jīng)過微調(diào)的ＣＮＮ網(wǎng)絡(luò)具有更強(qiáng)的泛化能力。關(guān)鍵詞：深度學(xué)習(xí)；人臉姿態(tài)估測(cè)；人臉識(shí)別－－Ｉ基于深度學(xué)習(xí)的人臉識(shí)別ＦａｃｅＲｅｃｏｇｎｉｔｉｏｎｂａｓｅｄｏｎＤｅｅＬｅａｒｎｉｎｇｐＡｂｓｔｒａｃｔＴｈｅｔｒａｄｉｔｉｏｎａｌｆａｃｅｒｅｃｏｇｎｉｔ

7、ｉｏ打ｐｉｐｅｌｉｎｅｕｓｅｓｓｈａｌｌｏｗｓｔｒｕｃｔｕｒｅｔｏｅｘｔｒａｃｔ化ｅｆｅａｔｕｒｅｏｆｆａｃｅｉｍａｇｅ，ｗｈｉｃｈｈａｓｌｉｍｉｂｄａｂｉｌｉｔｙｔｏｅｘｔｒａｃｔｔｈｅｃｏｎｎｏｔａｔｉｏｎｆｅａｔｕｒｅｏｆｆａｃｅｉｍａｅａｎｄｔｈｅｇ，ｒｅｃｏｇｎｉｔｉｏｎｒｅｓｕｌｔｉｓ打ｏｔｓａｔｉｓｆａｃｔｏｒｙ．Ｗｉｔｈｔｈｅｄｅｖｅｌｏｐｍｅ打ｔｏｆｃｏｇｎｉｔｉｖｅｓｃｉｅｎｃｅａｎｄｂｒａｉｎｓｃｉｅｎｃｅ，ｉｔｐｒｏｖｉｄｅｓａ打ｅｗｐｅｒ

8、ｓｐｅｃｔｉｖｅａｎｄｐｉｐｅｌｉｎｅｆｏｒｄｅｅｐ打ｅｔｗｏｒｋｔｅｃｈｎｏｌｏ