基于机器学习人脸检测系统-硕士论文中期检查报告.doc

哈 尔 滨 理 工 大 学 毕业设计中期检查报告 题 目： 基于机器学习的人脸检测系统 院、 系： 软件学院、软件工程系 姓 名： 李哲 指导教师： 李鹏 系 主 任： 张淑丽 2017年3月10日 毕业设计工作的进展 毕业设计工作存在的问题及解决方案 在进行基于机器学习的人脸检测系统的课题研究中，遇到了很多的难题和难点。在本科期间，我们也和实验室老师进行了机器学习方面的研究，和学长学姐探讨了人脸识别的识别算法。但是一直都没有系统的学习将两个研究统一在一起，所以课题探讨过程中有一定的难度，于是，我在不断地发现和解决问题中度过了系统的设计和论文的编写。 我在研究人脸识别过程中遇到了三大难点。 1.主要问题：人脸识别的一大难题就是每个人的人脸面孔相似度都极高，地球上人口众多，虽然每个人都是独一无二的，但是很多人面孔之间的差别是非常微妙的。而人脸识别要求确定面部图像中的坐眼睛、鼻子、嘴巴等器官的位置，还要求对这些器官及其面部轮廓的形状信息作出描述。这是在研究系统和方法中最大的难题之一。 解决方案：将系统做一个降噪处理，也就是将人脸眼睛、鼻子、嘴巴作为特征点，研究眼鼻嘴的形状和他们之间的几何特征联系，采取根据模式相似性的最近距离分类器进行分类，用加权比值函数来计算特征相似度，用以准确定位人脸器官特征点。 2.主要问题：另一个难点是在光照明条件不同时准确识别是很难的，以及角度的不同识别也会有误差。而人脸检测的主要任务就是要求判断计算机的“眼睛”观察到的“影像”中是否存在人脸，如果存在，需要同时给出其在图像中的坐标位置、人脸区域大小等信息。 解决方案：这一问题我了解了深圳市飞瑞斯科科技有限公司为首的人脸识别技术研发，他们采用了多光源技术，多光源人脸识别技术可以解决在光照条件变化、人脸伪装等情况下人脸识别困难的问题。但这种解决办法对于我现在研究的技术有限，还没有完美的解决这一问题，希望在日后不断地学习探索中解决自己的疑惑。 3.主要问题：对于录入进来的图像数据进行结构化设计描述是又一大难点。一般情况下，这些描述并不仅仅是原始数据（例如输入图像的灰度值）的排列，而是通过某些具有实际意义的抽取方法或者数学运算而得到的比初始数据具有更高层含义的数据组合形式，称之为特征。经验表明，在分类学习过程中，特征的选取对问题最终解决的影响十分巨大，因此如何选取最理想的特征是有一个难题。人脸的特征和表现出区别的部分很难用某种普适的方法进行总结和求取，就像没有一种数学公式或物理定理可以解释自然发生的所有现象。 解决方案：通过将深层的卷积神经网络各层自下而上不停学习和训练，某些对人脸差异产生较大影响的特征和抽象含义可被显式地提取出来。因此通过深层的卷积神经网络在人脸识别课题上较其他手工特征选取、提取方法有自身的特点和优势。 下一步工作预测及存在问题检查结论 指导教师意见 1