论文部分内容阅读
随着深度学习、神经网络的飞速发展,计算机视觉领域有了重大突破。其中,人脸认证是计算机视觉中不可或缺的一个重要部分,有着及其广泛的应用价值。人脸认证的主要流程分为两个步骤。一是检测图片中的人脸,获取人脸检测框。二是对检测到的人脸进行特征提取,使特征可以对人脸图片进行表征。这两大步骤的实现都离不开卷积神经网络。本文结合现代卷积神经网络中残差结构以及分离卷积模型,设计出一种新的卷积神经网络基本结构,即残差分离卷积块。本文首先介绍了残差分离卷积块的设计思想,将其实现并在ImageNet数据集进行分析比对,验证其可行性。然后利用残差分离卷积块分别设计了人脸检测网络、人脸表征网络的骨干,并与其他卷积神经网络做了充分对比。同时,利用残差分离卷积块还实现了一个简单的活体检测分类器,结合互联网相关技术,实现了一个Web人脸认证登录原型系统。本文的主要内容包括:1、结合现代卷积神经网络中残差网络以及分离卷积模型,设计并实现了残差分离卷积神经网络。在ImageNet数据集进行了与ResNet和MobileNet神经网络的实验对比,验证了残差分离卷积神经网络在图像识别上速度和精度的有效性。2、利用残差分离卷积块设计级联的人脸检测网络,比当前采用最广的MTCNN人脸检测网络精确度高出1.7%,而速度基本保持一致。3、利用残差分离卷积块设计人脸表征网络,该网络在LFW验证数据集取得99.67%的准确度。同时,测试时长分别比Res Net和MobileNet快了38秒和18秒。在未清洗的百万人脸挑战中取得72.41%的Rank1准确度,在清洗后的百万人脸挑战中取得81.5%的Rank1准确度,在干扰项减少至10000人时取得98.97%的Rank1准确度。4、利用残差分离卷积块设计活体检测网络。结合人脸检测网络和人脸表征网络,利用互联网相关技术实现了Web人脸认证登录注册原型系统。测试表明,本系统足以胜任Web人脸认证登录的需求。