论文部分内容阅读
人脸识别作为一种十分便利的身份认证方式,具有广阔的应用场景,因而长久以来受到了众多研究机构的关注。传统的方法多利用人工设计的方式提取人脸特征信息,容易受到现实环境下多种变化因素的影响。得益于互联网的发展及硬件设备的更新,依赖大量数据的深度学习算法给人脸识别领域带来了新一轮发展浪潮。相比于对人脸识别中光照、姿态等变化因素的研究,对因年龄变化带来的识别问题研究相对较少。而年龄增长带来面部形态改变属于一种普遍的类内变化,在许多现实场景下都会给人脸识别的准确性带来挑战。针对该问题,本文基于深度学习的理论,研究提出了一种基于多损失函数的深度卷积神经网络模型和一种基于深度特征融合的方法来提升跨年龄人脸识别的准确率,取得了较好的效果。本文主要内容及贡献如下:1.针对所使用的跨年龄人脸数据集CACD(Cross-Age Celebrity Dataset)数据量,设计了一个参数相对较少的深度卷积神经网络模型,并引入批规范化操作加速模型训练的收敛。在不需要较复杂的图像预处理情况下,该深度模型可自动提取出具有较强年龄不变性的特征。2.提出一种基于多损失函数的卷积网络模型。该模型针对单一的交叉熵损失函数在人脸识别问题上的局限,引入另一种中心损失函数,并针对跨年龄问题的特点进行改进,使得同一人的特征更为紧凑,相比仅用交叉熵损失函数训练的网络,该模型在跨年龄数据集上测试提高了识别准确率。3.提出一种基于深度特征融合的人脸识别算法。该算法结合了不同特征具有的优势,将高维的局部二值模式特征与深度模型卷积层的特征通过监督学习进行融合得到新的人脸特征表示。在CACD数据集与非限制环境下的LFW(Labeled Faces in the Wild)数据集上进行测试并与其他算法比较,实验表明该算法不仅在跨年龄问题上取得了具有竞争力的准确率,在通用的非限制环境下也能够提升泛化能力。4.利用上述提出的算法,基于Web技术实现了一个人脸识别应用。该应用主要包括图像采集、人脸识别、数据存储模块,具有轻量跨平台的特点,可满足日常需求。