论文部分内容阅读
人脸识别作为计算机视觉领域的一个研究热点,近年来在现实生活中发挥的作用越来越明显。本文主要基于卷积神经网络(Convolutional Neural Network,CNN),研究了自然场景下的人脸识别方法及其应用。卷积神经网络相比传统的人脸识别方法有很大的优势。它不需要手动提取人脸特征,通过卷积操作能自动提取图片中的人脸特征,卷积操作中的局部连接和权值共享起了非常重要的作用;只要构建的网络模型合理,通过样本集进行反复的训练和学习,就能使得训练好的网络模型具有较好的识别效果。由于构建的网络模型对人脸的识别效果有很大的影响,因此本文通过实验验证的方式,重点研究如何构建一个合理的网络模型,使该模型在样本集上能够快速地、稳定地收敛,最终获得较高的识别准确率,并且能在实际应用场景中有良好的性能。本文主要内容包括:1)首先介绍了卷积神经网络的发展史以及其在人脸识别方面的应用,从早期的传统人脸识别方法进行了阐述;继而过渡到利用卷积神经网络进行人脸识别的基本理论知识,并对卷积神经网络的组成结构和基本特性,以及卷积神经网络的各个计算层进行了详细地阐述;最后,通过几个经典的卷积神经网络应用案例,说明了卷积神经网络模型的基本结构及其应用场景。2)构建了一个用于人脸识别的卷积神经网络模型。使用AR人脸库和ORL人脸库对该模型进行训练和学习,测试结果表明该网络结构经过训练和学习能够达到较高的识别率。通过实验仿真研究了模型的激活函数、卷积核数量、dropout、动量项等参数的选取对网络性能的影响。在此基础上,对原来的网络模型进行了改进,使得该模型的性能和识别效果进一步得到提升,仿真结果表明改进的模型对于AR人脸库和ORL人脸库的识别率分别达到了99.78%和99.82%。3)利用上述构建的网络模型,设计了一个基于浏览器的人脸识别系统。该系统可以通过上传图片、摄像头采集图片等方式建立人脸库,而且能快速的完成人脸识别任务,对硬件要求极低。实验结果表明,该系统对于正常的人脸具有良好的识别效果,对于特征不明显的人脸也能完成一定的识别任务。