基于深度学习的敏感人脸图像在视频流中的检测与识别

摘要

随着互联网的迅速发展和人脸识别算法的不断优化，人脸识别技术在生物识别领域越来越受青睐。在视频检测中，由于人脸姿态的不断变化，以及图像背景干扰和光照不均匀的影响，使得人脸检测识别难度大大提升。基于传统图像识别方法实现的人脸识别，效果往往不太理想。人工智能的兴盛，深度学习的崛起，给图像识别带来新的契机，也将人脸识别推向新的浪潮。 本文基于深度学习方法和图像处理技术，实现了针对视频中的敏感人脸图像的检测与识别。首先从视频序列中提取出视频关键帧，然后进行人脸的检测与识别。在视频关键帧提取阶段，本文基于对特定人脸图像的检测识别，选择图像的颜色特征来表示图像，通过比较图像灰度直方图的相似性来进行关键帧的提取；本文采用二分法思想对视频图像帧进行相似性比较，完成关键帧的提取，提高了算法效率，并且降低时间复杂度。在人脸检测阶段，首先对提取到的关键帧图像进行降噪、滤波和图像增强等预处理。由于传统的基于 Haar-like 灰度特征训练的Adaboost 人脸检测分类器，其复杂背景和光照不均匀影响了检测效果。本文使用YCbCr颜色空间构建肤色高斯模型，将背景区域过滤，获得候选肤色区域；同时建立了肤色亮度模型，降低光照不均匀的影响，然后采用训练好的Adaboost人脸检测分类器对候选肤色区域进行人脸检测。通过大量实验对比发现，本文采用的人脸检测算法正检率更高。在人脸识别阶段，本文借鉴经典的网络模型，基于 TensorFlow 深度学习框架，设计了适用于本课题特定人脸识别的卷积神经网络结构模型。本文设计的卷积神经网络结构共有7层，不同于传统卷积神经网络，卷积层和池化层并不是交替出现，而是连续进行卷积操作，这样使得模型能够学习到更高维的特征，从而提高识别率。并且在卷积池化操作之后加入了局部响应归一层，该层在深度学习的训练过程中，可以有效提高准确度。使用该模型在本文收集的数据集上进行测试，识别率达到了89%，有效地完成了本课题在视频中检测识别敏感人脸图像的目标。

目录

第一个书签之前