基于卷积神经网络的特定场景下人脸识别研究

摘要

人脸识别技术作为生物识别的一个重要组成部分，近些年来不管是在人工智能领域还是在其他科学领域中，一直都是研究的热点。在实际应用中，由于受到各种因素的影响能够获取的人脸数据样本有限，甚至在有些情况下只能获得单一的人脸数据样本。针对这一情况本文研究如何在样本数据不足的情况下训练人脸识别模型，然后将训练好的人脸识别模型分别应用到Windows和Android平台上。 本文分别从人脸数据样本和卷积神经网络结构两个方面入手，解决如何在训练样本不足的情况下实现人脸识别。在人脸数据扩充方面，首先构建了ED小样本人脸数据集，此样本中共有90个人的单张人脸数据图像。然后使用数据增强技术、对称脸扩充法、位平面法以及对抗生成网络对小样本人脸数据集进行扩充。最后将扩充后的ED人脸数据集与ORL人脸数据集做对比实验，实验结果表明扩充后的ED人脸数据集在网络训练过程中与ORL人脸数据集表现相当。在网络结构方面，为了构建适合小样本数据集的卷积神经网络模型，本文首先对VGG网络模型进行分析，从模型的参数量和计算量等方面对VGG网络模型进行改进，然后将改进的VGG网络模型与孪生神经网络相结合构建了SVGG网络模型。最后使用扩充后的ED人脸数据集训练SVGG网络模型，并对训练好的网络模型进行分析。实验结果表明，本文构建的SVGG网络在小样本数据集上识别率为92.6%，明显高于孪生神经网络在小样本数据集上的识别率。 在人脸识别应用方面，本文使用训练好的SVGG网络模型分别在Windows和Android平台上实现了人脸识别系统。由于Android平台计算能力和内存机制的限制，增加了在Android平台上使用卷积神经网络实现人脸识别的难度。因此，本文将模型的训练过程放在上位机中进行，然后将训练好的模型移植到Android平台上，这样既满足了Android平台的硬件要求，又能保证人脸识别的效率。

目录

声明

1 绪论

1.1研究背景与意义

1.2国内外研究现状

1.3论文研究内容与结构

1.3.1 论文研究内容

1.3.2 论文结构安排

2 卷积神经网络理论基础

2.1 神经网络理论基础

2.1.1 人工神经网络

2.1.2 误差反向传播算法

2.2 卷积神经网络原理

2.2.1 局部连接

2.2.2 权值共享

2.3 卷积神经网络结构组成

2.3.1 卷积层

2.3.2 池化层

2.3.3 全连接层

2.3.4 激活函数

2.4 本章小结

3 样本构建及样本扩充

3.1 构建小样本数据集

3.2 数据增强技术

3.2.1 镜像变换法

3.2.2 多区域裁剪

3.2.3 高斯噪声

3.3 对称脸样本扩充法

3.4 位平面法

3.5 使用对抗生成网络进行样本扩充

3.5.1 GANimation原理

3.5.2 GANimation网络模型训练过程

3.6 实验与分析

3.6.1 人脸数据库介绍

3.6.2 实验结果与分析

3.7 本章小结

4 SVGG卷积神经网络

4.1 VGG网络结构解析

4.2 改进的VGG网络模型

4.3 Siamese网络

4.3.1 Siamese网络原理

4.3.2 Siamese网络损失函数

4.3.3 Siamese网络优缺点

4.4 SVGG网络模型的构建

4.5 网络模型训练与实验结果分析

4.5.1 人脸数据集与预处理

4.5.2 实验环境

4.5.3 网络训练方法及参数选取

4.5.4 训练结果与分析

4.5.5 SVGG网络模型可视化分析

4.6 本章小结

5 人脸识别系统的实现

5.1 上位机人脸识系统的开发

5.1.1 开发环境介绍

5.1.2 系统概述

5.1.3 上位机人脸识别系统整体框架

5.1.4 人脸检测与预处理

5.1.5 人脸数据管理模块

5.1.6 人脸识别模块

5.2 安卓上使用卷积神经网络实现人脸识别

5.2.1 开发环境搭建

5.2.2 编译caffe-mobile支持库

5.2.3 系统概述

5.2.4 Android人脸识别系统整体流程

5.2.5 人脸数据获取模块

5.2.6 人脸数据管理模块

5.2.7 人脸识别模块

5.3 本章小结

6 总结与展望

6.1 总结

6.2 展望

参考文献

攻读硕士学位期间主要研究成果