论文部分内容阅读
近年来,随着基于深度学习的人脸识别技术的发展,成为了计算机视觉研究最热门的领域之一,被广泛的应用于公共安全、安防、金融等领域。但在实际应用场景中,人脸识别的准确率往往容易受到光线、遮挡、姿态等因素的干扰,在海量人脸搜索问题中,随着人脸规模的不断扩大,人脸识别的准确率逐渐降低,人脸识别的响应延时也在增大。针对实际应用场景中人脸识别准确率易受光照、遮挡、姿态等影响和海量人脸搜索延迟高的问题,对人脸识别算法的基础理论和关键技术进行深入研究,重点对复杂背景下的人脸识别、人脸搜索问题进行了分析,并提出新的人脸识别算法和人脸搜索方法,为人脸识别系统应用于实际场景提供一定的理论依据和技术支撑。本文的主要贡献如下:(1)提出基于卷积神经网络的人脸识别算法,在现有卷积网络的结构的基础上,减少了卷积核的个数,在卷积层之间加入了残差网络,使用Softmax损失函数和中心损失函数组合的方式替换通用的单个Softmax损失函数的方案用于网络训练,该算法模型在MsCeleb-1M数据集上进行训练,在LFW和YTF上进行测试,实验结果表明该算法在LFW上达到了99.65%的准确率,在YTF上达到了96.5%的准确率,在GPU(NVIDIA TITAN X)上单张人脸特征提取延时为6ms。(2)基于提出的人脸识别算法,采用基于batch的人脸特征提取方案,在大小为32的batch下单张人脸特征提取延时为1.4ms。(3)提出基于二级索引的快速人脸搜索算法,将人脸搜索过程分为基于二进制串的多倒排索引过滤和基于浮点的重排序两个部分,在重排序部分使用GPU实现,在百万特征规模下查询延时在10ms以内。(4)提出一个基于GPU的人脸识别系统设计方案,该方案采用主从架构模型,从而快速、有效、正确的完成大规模人脸数据的实时检索,并实现了该系统。通过对系统进行功能测试和性能测试,测试结果表明系统功能完整,能够提供实时、高性能的人脸识别服务。