论文部分内容阅读
计算机硬件技术和网络技术的快速发展为计算机视觉、机器学习等领域的发展提供了坚实的基础支撑。生物特征识别作为计算机视觉一个热门的研究方向,尤其是深度学习的出现和成功应用,更是引发了国内外研究学者的广泛关注。作为生物特征识别技术一个重要的研究方向,人脸识别技术因为其很高的商业价值和极为广阔的应用前景,近些年的发展尤为迅速。尽管人脸识别技术已经发展了几十年,但是由于人脸识别是一个极为复杂问题,目前依旧存在许多的技术瓶颈尚未突破,没能真正意义上达到商业应用的需求。本文沿着人脸识别的系统脉络,对人脸识别各个阶段的关键技术展开了研究,并作出一定的选择及优化。人脸识别的整体框架主要包含数字图像的采集和预处理、人脸位置的检测、面部关键点检测及对齐、面部主要特征的提取和识别。本文针对人脸采集阶段可能因为环境、设备等原因造成图像质量下降,采取对图像进行归一化、去噪和图像增强等预处理操作,提高了图像质量,便于后期人脸检测和人脸特征的提取;采用YCb Cr色彩空间下肤色提取分割和Haar特征人脸检测相结合的算法,避免人脸检测器图像全局搜索,大大提高了人脸检测速度;在嵌入式NVIDIA TK1开发板下,将典型的人脸识别算法成功移植,并在多个数据集上做了大量实验和分析。针对人脸大数据和复杂情况下的识别,设计了基于深度学习方法的人脸识别系统,能够适应海量人脸数据等复杂情况下的人脸识别;针对人脸海量数据难以获得情况,提出了高斯模糊人脸多尺度样本切分数据增强算法,大大扩增了有限的人脸数据库;进一步地,针对网络模型在年龄跨距较大情况下识别率急剧下降的情况,提出了人脸年龄特征递进深度网络模型,基于原有的深度模型迁移到人脸年龄库中进一步学习,增强了人脸识别模型的年龄鲁棒性;最后,基于各个阶段所完成的算法优化,集成软硬件系统,并作前端Web开发,后端服务器的搭建,使得整个人脸识别系统能够通过互联网访问。此外,后端可以收集人脸大数据,并对人脸数据充分搜集和挖掘,为后期的大数据分析提供了充分的数据支撑。