论文部分内容阅读
随着卷积神经网络(Convolutional Neural Networks,简称CNN)和计算机硬件的快速发展,深度学习逐渐成为图像识别的核心技术。得益于近几年深度学习算法的不断进化,为实现人脸图像的高精度识别提供了良好的研究条件。本文围绕深度学习相关算法对人脸识别进行研究。人脸识别系统通过摄像头输入视频图像数据,在检测到人脸后采用日标检测算法对人脸的性别、年龄、表情这二种特征进行分析,最终输出所识别的结果。针对人脸识别过程中的环境因素、人为采集的人脸数据较少、单个识别神经网络的准确率不高等难题,文中给出了相应的解决办法,并最终通过实验进行了验证。主要就以下几个方面展开了研究:(1)构建组合型数据库,以提升实验结果的准确性。避免直接采用网络公开的数据集,通过人为采集和网络爬虫的方式构成组合型数据库。(2)采用数据增强解决数据量不足以及客观因素的问题。对组合型数据库进行多种不同方式的数据增强,增加多种光照、角度的环境条件,提高组合型数据库的数量及丰富度。(3)深度学习网络的搭建和训练。基于对卷积神经网络的研究,通过设计小型神经网络并采用级联的方式,解决了单个识别网络准确率低的问题,实现了一个改进的深度学习级联网络。通过设计对照实验,来证明级联网络的优越性。(4)实现人脸识别系统从PC到iOS的成功移植。系统可以接受摄像头采集的实时视频数据并完成检测识别,通过设计用户界面来展示系统识别作者本人人脸的各项指标及结果。本文搭建的人脸识别系统中,训练阶段和测试阶段均采用自行构建的组合型数据库,完成对图像的数据标注工作。针对部分种类缺乏的人脸数据,采用数据增强技术来扩充数据量,提高组合型数据库的复杂性和多样性。在基于现有的深度学习网络框架下,对人脸图像数据进行训练。为了实现损失函数尽可能地收敛,对超参数进行反复调节,直到梯度下降接近局部最优值,并筛选出最佳的网络模型。采用测试数据对网络模型进行检验,实验结果显示平均准确率达到90%以上,说明本文研究的人脸识别系统具有良好的可行性和实用性。