下载  >  人工智能  >  深度学习  > 基于深度学习的视频人脸识别方法

基于深度学习的视频人脸识别方法 评分

基于深度学习的视频人脸识别方法,基于深度学习的视频人脸识别方法
哈尔滨工业大学工程硕士学位论文 摘要 本文的视频人脸检测识别方法的基本设计思想是,在给出一段祧频文件以及 这个视频文件的字幕和剧本之后,可以自动的对视频中的人物进行检测和识别, 不需要任何的训练样木。视频人脸检测识别方法主要由四个部分组成:字幕剧木 融合部分,人脸检测部分,样本集自动生成部分和基于深度学习的人脸识別部分。 本文将深度学习算法引入到∫视频人脸识别中来,有两方亩的重要意义,一方面, 视频人脸的识别要求算法具各一定的抗干扰能力,并且能够保证一定的实时性 本文的实验与分析表明,深度学习算法具备这方面的要求;另一方面,从深度学 习算法特性的角度来说,深度学习算法最大的缺点就是构造深度模型需要大量的 样本,这很大程度上限制了深度学习算法的应用,然而本文所设计的基于视频的 人脸检测模块可以轻松的产生数万、数十万的样本,从而满足∫深度学习算法的 大样本集要求。 基于深度学习模型的人脸识别部分是整个系统的重点,这一部分主要有两方 面的意义:一,经历了视频人脸的检测部分之后,虽然视频人脸集合中人脸的纯 度有了很大的提升,但是依然会存在一些杂质,因此必须通过识別模块来进一步 的过滤掉人臉集合中的杂质;二,通过视频所得到的帧文件中,经常会出现多张 人脸同时出现的情况,在这种情况下,视频人脸的检测部分是无法将说话者与人 脸进行对应的,必须通过识别模块才能区分出一个帧中的多个人脸 基于深度学习模型的人脸识別部分主要包含三个模块:数据预处理模块、深 度学习模块和识别模块。薮据预处理模块主要山数据整合和构造数据立方体两个 部分组成。深度学刁模块通过两个具体过程来实现: 调节和深度模型的反馈 微调。 的调节过程是自下而上的各个层间的调节过程,以这种方式来初始化 整个深度模型的系统权值,而深度模型的反馈徴调,首先进行自下而上的识别模 型转换,然后再进行自上而下的生成模型转换,最后通过不同层次之间的不断调 节,使生成模型可以重构出具有较低误差的原样本,这样就待到∫此样本的本质 特征,即深度模型的最高抽象表小形式。绎过深度学习模型的处理,以得到降 维之后的样本特征,在此基础上运用识别模块,本文中所采用的识别方法是人工 神经网络的识别方法。 关键词:人脸检测;肤色模型;深度学习:识别模型;生成模型;人工神经网络 哈尔滨工业大学工程硕士学位论文 哈尔滨工业大学工程硕士学位论文 哈尔滨工业大学工程硕士学位论文 目录 摘要 第章绪论 课题来源 本课题研究的目的及意义 国内外研究现状 基于统计的方法 基于几何特征的方法 人工神经网络的方法 本文主要研究内容 第章视频人脸检测识别方法研究概述 人脸检测 算法概述 深度学习概述 深度学习基础理论 深度学习设计模型 人脸识別算法概述 神经网终 支持向量机 木章小结 第章基于深度学习的人脸识别算法 数据整合 构造数据立方体 调节 深度模型的反馈微调 本章小结 第章深度学习实验与分析 深度学习模型的训练 训练的实验与分析 深度学习反馈微调的实验和分析 深度学习模型的构造和选取 哈尔滨工业大学工程硕士学位论文 算法和深度学习对比的实验与分析 算法基础理论 与深度学习的实验分析 与深度学习的对比分析 基于深度学习的识别算法的性能分析 失衡训练集对识别效果影响的实崄与分析 识别算法过拟合现象的实验与分析 本章小结 第章视频人脸检测识别系统 人脸检测模块 肤色模型人脸过滤 唇色模型人脸过滤 样本集自动生成模块 数据采集 数据预处理 说话者识别模块 本章小结 结论 参考文献 攻读硕士学位期间发表的论文及其它成果 哈尔滨工业大学学位论文原创性声明及使用授权说明 致谢 哈尔滨工业大学工程硕士学位论文 第章绪论 课题来源 本课题来自于对深度学习的研究和实验室视频人物标注项目。 本课题研究的目的及意义 深度学习算法的一个重要的特性就是对训练样木集规模要求比较大,在很多 利川深度学习处理图像的实验中,实验者为了得到一个较大规模的训练样本集, 通常要将一个图片变换不同的姿势,从而衍生出多个样本。这种方式不但低效, 而且需要花费实验人员大量的精力和时间, 视频人脸的识别过程,通过一个系统机构可以轻松的生成数万,数十万的样 本薮据,因此将视频人脸识别与深度学习算法相结合,可以有效的解决深度学习 算法样本集规模不足的问题。 同吋,视频人物的识别过程中一个非常重要的问题就是实吋性问题,视频是 个动态的过程,因此对实时性要求很高,这里引入深度学习算法,通过它构建 图像的本质特征,可以大大的提高视频人脸识别机构的实吋性。 作为一个传统的以视频为基础的人脸识别系统,它通常应该包含人脸检测与 追踪模块、人脸特征提取模块ˉ和人脸识别模块♂三个模块。在这三个模块之中, 属于重中之重的就是人脸的识别模块,它的好坏直接决定着整个系统性能的优劣。 人脸识别木质上是一种生物基木特征的识别方法。它在许多方面拥有重要的 意义和价值。比如在个人信息管理系统、金融消费验证系统、公共场所监控系统、 银行个人用户监测系统、人机对话交互系统等领域拥有着广泛的应用前景。与腕 部静脉特征识别、掌纹识别、眼部识别等技术相比,人脸识别技术无论是在样本 收集方面还是在识別精度方面都有着自己的优势。人脸作为人类的一个基本的生 物特征,在复杂场景的人物识别方面有着不可或缺的重要性,因此人脸识别的深 入研究有着重要的理论和实际意义,其中主要体现在三个方面: (1)人机交互,传统的人机交互以个人计算机为例,人们主要是通过键盘和 鼠标来向计算机输入控制命令,而计算机则通过显示器对人们的命令进行响应。 然而人们希望能够和机器进行更加智能化的交互,以一种更加容易被人类所接受 的方式和机器进行交流,人机交工研究的重要意义就在于此。这项研究的最终日 的就是希望机器可以和人们进行更自然的沟通,并且帮助人们高效的完成各种工 作。为了实现这一目的,机器必须能够理解人们的角色、动作甚不姿态。人脸识 哈尔滨工业大学工程硕士学位论文 別恰恰是解决这一问题的有效方法田 (2)安全,目前公共安全问题是全世界各个国家所共同关注的一个重大问题 美国经历了911之后,各个国家都开始重点关注自己国家的公共安全问题。公共 安全的一个重要领域,就是公共场所的安全问题。人脸识别算法是解决这一问题 的有效方法,通过人脸识别方法,各国的安全部门可以在各种公共场所,如飞机 场、火车站等地方对那里的流动人员进行监控,检测和识别危险分子 (3)娱乐,随着科技的发展,人脸识别技术已绎川在了电景制作、互动娱乐 等领域中。如很多智能机器可以通过读取人脸的表情来做出不同的响应,也可以 通过人们不同的姿态和动作来进行互动等 对于普通的人脸识别模块,整体的识别过程就是输入特定场景中的人脸,使 用人脸数据库存储和识别对应场景下的一张或多张人脸,其中作为输入的人脸通 常就是静止的人脸图像。但对于视频的人脸识別,输入的不再是静止的人脸图像, 而是一段视频文件,通过使用人脸数据库对视频文件中的人脸进行存储和识别, 因为所要处理的对象是视频文件,因此系统一定要保证人脸检测的实时性,并能 够不间断的对视频中的人脸进行连续追踪間。这里如果忽略视频的实吋性要求,对 于视频文件的处理,完全可以看成是对多幅人脸图像的处理,此时以多张人脸作 为输入米训练系统,使系统可以检测和识别他们。虽然随着科技的进步,人脸识 别技术发展迅速,但是在许多复杂场景中,日前的人脸识别方法还存在着许多不 足,这直接限制了它的应用前景。 为了解决这个问题,尝试使用深度学习算法,通过样本训练等方式方法,得 到符合要求的非线性函数集合的构造方式,以及高层人脸图像的恰当表示,从 个崭新的角度对人脸进行识别,使计算机可以深度理解图像人脸的表达意义,进 而完成识别,这是本课题的研究目的 国内外研究现状 2000年以来,鉴于人脸识别研究的重要意义,许多机构都在对其进行深入的 研究,比较著名的有麻省理工大学、康奈尔大学以及斯坦福大学等;国内如北京 大学、中科院计算机研究所和哈尔滨工业大学等,这些大学和研究所在人脸识别 领域取得了许多突破,使人脸识别在检测性能上和识别精度上有了很大程度的提 昌。 然而尽管在人臉识别的硏究取得了很多成果,形成了许多识别算法,但是在 复杂情境下、光线和姿态不断变化的环境下,各种算法都存在着很人的缺陷和不 足,而这又大大的限制了这些算法的应用范围。在这些算法中,绝大部分仪仪考 虑到了对图片进行样本特征提取和基于样本特征来进行识别,并没有通过使计算

...展开详情
所需积分/C币:9 上传时间:2018-06-08 资源大小:3.29MB
举报 举报 收藏 收藏
分享 分享
基于深度学习的视频人脸识别方法

本文的视频人脸检测识别方法的基本设计思想是,在给出一段视频文件以及这个视频文件的字幕和剧本之后,可以自动的对视频中的人物进行检测和识别,不需要任何的训练样本。视频人脸检测识别方法主要由四个部分组成:字幕剧本融合部分,人脸检测部分,样本集自动生成部分和基于深度学习的人脸识别部分。本文将深度学习算法引入到了视频人脸识别中来,有两方面的重要意义,一方面,视频人脸的识别要求算法具备一定的抗干扰能力,并且能够保证一定的实时性,本文的实验与分析表明,深度学习算法具备这方面的要求;另一方面,从深度学习算法特性的角度来说,深度学习算法最大的缺点就是构造深度模型需要大量的样木,这很大程度上限制了深度学习算法的应

立即下载
基于深度学习的视频人脸识别方法(论文共64页)

基于深度学习模型的人脸识别部分主要包含三个模块:数据预处理模块、深度学习模块和识别模块。数据预处理模块主要由数据整合和构造数据立方体两个部分组成。深度学习模块通过两个具体过程来实现:RBM 调节和深度模型的反馈微调。RBM 的调节过程是自下而上的各个层间的调节过程,以这种方式来初始化整个深度模型的系统权值,而深度模型的反馈微调,首先进行自下而上的识别模型转换,然后再进行自上而下的生成模型转换,最后通过不同层次之间的不断调节,使生成模型可以重构出具有较低误差的原样本,这样就得到了此样本的本质特征,即深度模型的最高抽象表示形式。

立即下载