基于卷积神经网络的人脸识别研究

【摘要】：近年来,随着科学技术的不断发展,人脸识别技术日渐成熟,使得人脸识别技术的使用率不断增大。例如:门禁、ATM机、公安系统以及新兴起的人机交互等领域,都应用到了人脸识别系统。在人脸识别研究领域中,深度学习扮演着重要的角色。由于深度学习的人脸识别技术凭借其识别率高、识别快等特点,逐渐成为整个领域的主流技术。在众多深度学习算法中,以卷积神经网络为代表的人脸识别系统得到了广泛应用,主要研究内容如下:首先,通过对经典损失函数进行研究,对比每种损失函数的特点,然后根据A-Softmax函数进行改进,借助Margin的方法来改进函数角度,并在函数中添加归一化操作。采用Sphere Face论文中使用的36层模型训练改进的Ds-loss损失函数,验证了改进的损失函数性能,并确定函数参数m的取值。其次,针对卷积神经网络的结构问题,提出一种将残差模块与稠密链接模块混合使用的新型网络结构。在设计网络模型的时候,考虑到过拟合问题,提出了将BN层添加到网络模型中,并在模型的全连接层中使用Dropout函数。在针对特征层设置的问题上,采用内积层提取图像特征,保证了网络模型的迁移能力。再次,针对整个模型的优化算法的问题,提出将动量思想融入到Adam算法中,对改进的优化算法进行设计,更新My Ad算法框架。通过训练改进后的算法,验证了My Ad算法的稳定性。针对第三章设计的网络模型,采用对比试验,比较了DsCNN与ResNet两种网络模型的loss值,并添加了补充实验,验证了DsCNN的识别率在95.8%。最后,在进行人脸识别系统的测试环节上,采用Ada Boost算法的多角度人脸检测技术,对双目摄像头采集到的人脸图像进行检测。在添加数据集的问题上,提出了用Laplacian算法对样本集进行去模糊操作,并成功采集30名同学的图像来完成系统的测试。