基于深度学习的近红外人脸识别算法研究

摘要

在计算机视觉领域，人脸识别一直都是一个比较难的问题。得益于卷积神经网络强大的特征提取能力，深度学习算法在人脸识别问题取得了突出的成绩。但是，在实际的工程应用中我们发现深度学习方并没有达到预期的效果。主要归因于用户所处的使用环境复杂多变，这种变化往往会导致方法识别效果的下降，尤其是环境光照的改变。此外，深度学习算法性能的提升依赖于大规模高质量的训练样本，然而这些训练集的获取需要消耗大量的人力与物力资源。在卷积神经网络架构越来越相似的今天，如何为一般的企业级用户提供一个有效可行的训练方案成为了深度学习算法实际应用最大的难题。本文针对这一难点，分别提出了两种改进方案，一种是基于近红外图片的深度学习人脸识别算法，一种是基于深度学习与得分融合的人脸识别算法。
　　本研究主要内容包括：⑴提出了一种基于近红外图片的改进算法。即利用近红外图像对光照变化不敏感的特性，提出了一种以深度学习为基础，利用近红外图片作为模型输入的一种改进方案。经过相关的实验和实际应用场景下的测试，最后的结果证明本文的改进方案是有效的。⑵由于近红外图片存在人脸轮廓边缘模糊，细节特征损失等问题，这些缺陷最终会导致近红外人脸识别算法性能的下降。可见光图片虽然容易受到光照变化的影响但是不会存在细节损失等问题。因此，进一步提出了基于深度学习与得分融合的改进策略，该策略使得两种不同模态的人脸图片在识别过程中相互补充，从而提高识别率。最后在多个数据集上的测试结果显示，本文提出的改进方案在原有的基础上进一步的提高了。

目录

第1章 绪 论

1.1 课题研究的背景和意义

1.2 国内外在该方向的研究现状及分析

1.3 主要研究内容

1.4 本文的组织结构

第2章 人脸识别算法综述

2.1 引言

2.2 近红外人脸识别

2.3 基于深度学习的人脸识别关键技术

2.4 人脸数据集的收集

2.5 本章小结

第3章 基于深度学习的近红外人脸识别算法

3.1 引言

3.2 基于VGG_Face的人脸识别

3.3 一种基于近红外人脸的改进方案

3.4 实验结果和分析

3.5 本章小结

第4章 基于深度学习与得分融合的改进方案

4.1 引言

4.2 基于得分融合的改进策略

4.3 实验结果及分析

4.4 本章小结

结论

参考文献

声明

致谢