基于深度卷积网络的人脸识别算法的研究和应用.pptx

基于深度卷积网络的人脸识别算法的研究与应用;第一章 绪 论 ; 人脸识别研究现状 人脸识别方法的核心点在于人脸的特征提取，使用算法提取出每个人脸的局部或者全局的特征，继而使用相似度度量函数测评两个人脸的相似度。近些年人脸识别方法主要包括以下四个模型：几何结构模型，子空间模型，局部特征方法以及深度学习方法。 深度卷积神经网络 基于深度模型的卷积神经网络，属于神经网络的一个分支，在近些年的研究和发展中了广泛的研究和关注。深度学习从神经网络模型发展儿俩，属于机器学习领域的一个新的研究方向，近些年在各个研究领域例如计算机视觉领域，自然语言处理和语音等领域取得了突破性的研究和进展。传统的神经网络使用三层网络来模拟输入数据和对应标签之间的拟合能力，主要包括数据输入层，隐含层和输出层。深度学习模型是机器学习的一个分支，包括基于监督学习的卷积神经网络，多层感知机等，也包含无监督学习的自动编码器等，其中基于监督学习的卷积神经网络和递归神经网络大幅度的促进了深度学习在各个领域的研究和进展。卷积神经网络是一种由不同的操作层组成了架构，用来模拟输入图像和对应的标签之间的关系，其中卷积层组成了深度网络的核心部分，用于提取出图像的局部细节纹理，使用相对较小的卷积核提取图像的局部特征，由于数据库中的图像所具有的特征较多，每层中使用多个卷积核提取图像的特征，产生对应的卷积特征图。每个卷积层的后添加一个激活函数，用来提升网络的拟合程度。在卷积层之后添加一个池化层，也称为下采样层用来减小卷积层的特征图，用以减小网络中的参数规模。在经过若干个卷积层和池化层之后，使用全连接层将三维的特征图编码为一维的特征向量，用以学习网络的全局特征，最后一个全连接层的个数由数据集中类别的个数决定。 ; 国内外研究现状及存在的问题 2012年，一些学者首先在LFW数据集上运用基于深度学习模型使用基于无监督的学习的方法，打开了深度学习在人脸识别上的应用。近些年，基于深度学习的人脸识别算法和应用受到了广泛的关注和应用，例如DeepFace，DeepID系列，FaceNet等算法。虽然基于深度模型的人脸识别精准度达到了很好的效果，其中最为广泛使用的数据集是LFW，用于学术研究的人脸识别数据库，已成为学术界的一个研究标准。国外的各个研究团队和企业也在大力的研究基于深度模型在计算机视觉的应用，他们在深度学习领域均做出了很大的贡献，其中包括Google公司，Facebook公司。研究团队包括Yoshua Bengio团队，Neil Lawrence团队等。 2014年的计算机视觉会议CVPR上，香港中文大学的研究团队，利用深度卷积神经网络在人脸识别的精确度上达到了97%的精确度。另外香港中文大学的汤晓鸥团队和王晓刚团队，研究的人脸识别系统在LFW数据上得到了99.15%的精确度。中国国家科学院的山世光团队在人脸识别系统领域也进行了深入的探索和研究，研究的内容不仅包括人脸识别系统，还有人脸检测，五官对准等研究，取得了很好的效果。2014年CVPR，DeepID和DeepFace都采用人脸辨识作为监督信号，在LFW上取得了97.45%和97.35%的识别率。他们利用卷积网络预测N维标注向量，将最高的隐含层作为人脸特征。 存在的问题 ; 传统的人脸识别算法都是基于人的正脸，像素比较清晰的人脸图像。但是随着人脸识别系统的大规模应用，在现实的生活中，摄像机拍摄到的人脸图像中，大多数都是一些扭曲，存在一些噪音的数据。比如围巾，黑色墨镜等遮挡物，由于心情影响到表情的变化等会影响算法的性能。 本章小结 本论文主要介绍了人脸识别的研究背景和意义，并以此为出发点研究了深度卷积网络的结构和人脸识别的算法，并进行了相关的仿真实验，并对相关研究进行了总结，简述了对未来的展望。本章节中，本文对四种经典的人脸识别方法进行总结。基于几何结构的人脸识别方法计算量相对比较简单，而需要准确的关键点定位。基于子空间的特征提取方法模拟了人脸每个部分的拓扑关系。局部的特征提取算法可以较好的提取图像的局部细节。基于深度卷积网络的特征提取方法进一步的大幅度提升了识别的精确度。 ;第二章 深度卷积神经网络; 网络架构组成 卷积层 卷积操作主要使用卷积核提取图像的局部纹理信息。卷积核的大小直接决定了提取出图像的特征的表达能力。表示的是大小为的卷积核在大小为的图像上的卷积操作，计算得到的图像的大小为，可以看出卷积操作从图像的左上方开始，一次滑动一个步长，计算得到一个二维的特征图。卷积核越大，计算得到特征图越小，特征图中每个像素数值对应的感受野越大，覆盖的图像区域越大。 卷积操作中，使用的另外一个方式是权值共享，任意的一个卷积核和图像中每个特征图都进行卷积操作，这样会大幅度的减小卷积操作的次数。除了传统的卷