渝骄机器人人脸识别系统的设计与实现

摘要

近年来，随着机器人技术的发展和成熟，迎宾机器人已逐渐渗透到我们生活中。在迎宾机器人进行人机交互的时候，人脸识别具有举足轻重的作用。因此，本文以迎宾机器人—渝骄机器人为实验平台，设计了一套抗眼镜遮挡的人脸识别系统。具体的，本文的主要研究内容如下：　　① 本文设计了在一定程度上能够去除人脸眼镜的去遮挡方案。首先本文通过调研找出当前主要的去遮挡方案，并选择了以GAN（Generative Adversarial Nets）为主体的去遮挡架构作为本文的研究内容，然后对 GAN 进行改进，最后制作样本集对其进行训练并取出其中的生成器模型作为去眼镜遮挡模型。通过测试，使用去遮挡的人脸识别系统能够满足渝骄机器人的抗遮挡需求。　　② 本文设计了基于改进FaceNet的人脸识别方案。通过分析传统神经元的优缺点，得出：以标量表示的传统神经元模型限制了整个网络的特征表达能力。因此，本文使用新型神经元—capsule（以向量表示神经元模型，使得神经元能够表征更多的信息）组成的神经网络代替FaceNet的最后的平均池化层和全连接层，以此来增强网络的特征表达能力。通过测试，在正常光照下，使用改进 FaceNet的人脸识别系统能够满足渝骄机器人的性能要求。　　③ 本文为渝骄机器人设计了一套完整的人脸识别系统。首先使用级联 CNN检测器进行人脸检测，然后使用去眼镜遮挡模型进行去眼镜遮挡，最后使用改进FaceNet进行人脸识别。通过测试，在1m范围内，光照对该系统的影响不大，能够达到渝骄机器人在复杂环境下的工作要求。

目录

1 绪论

1.1 课题研究背景及意义

1.2.1 迎宾机器人研究现状

1.2.2 人脸识别研究现状

1.3 本文主要研究内容及章节安排

2 深度学习基础知识

2.1 卷积神经网络的构成

2.2 卷积神经网络的优化

2.3.1 神经网络的训练

2.3.2 常见的优化算法

2.4 本章小结

3 人脸检测算法选择

3.1 基于Haar特征的Adaboost级联人脸检测

3.2 基于级联CNN的人脸检测

3.3 基于SSD的人脸检测

3.4 方法对比

3.5 本章小结

4 抗眼镜遮挡算法的设计与实现

4.1 生成对抗网络模型

4.2.1 改进生成器网络

4.2.2 改进判别器网络

4.3.1 人脸去遮挡模型

4.3.2 制作数据集

4.3.3 人脸去遮挡模型的训练

4.4.1 实验流程

4.4.2 实验结果对比与分析

4.5 本章小结

5 人脸识别算法选择与优化

5.1 人脸识别算法选择

5.1.1 基于DeepID的人脸识别

5.1.2 基于FaceNet的人脸识别

5.1.3 人脸识别方法对比

5.2 基于capsule的改进FaceNet网络

5.2.1 capsule神经元模型

5.2.2 传统神经元与capsule神经元模型对比

5.2.3 改进FaceNet

5.2.4 训练与测试

5.3 本章小结

6 渝骄机器人人脸识别系统设计的实现

6.1 渝骄机器人硬件平台

6.2 人脸识别系统的软件实现

6.3 实验测试

6.3.1 实验一

6.3.2 实验二

6.3.3 实验三

6.3.4 实验四

6.3.5 实验五

6.3.6 实验六

6.3.7 实验七

6.4 本章小结

7 总结与展望

7.1 总结

7.2 展望

参考文献

附录

A. 作者在攻读硕士学位期间申请的专利

B. 作者在攻读硕士学位期间参与的项目

C. 学位论文数据集

致谢