论文部分内容阅读
近些年计算机视觉技术的发展及相关领域理论的研究给视觉技术的应用提供了肥沃的土壤。本文主要针对人脸识别技术进行了较为深入的研究。本文结合卷积神经网络模型的相关知识,针对于对自然环境中人脸的面部特征、表情等方面的识别技术进行了分析在此基础上提出了如何改进传统的人脸识别方法。传统的人脸识别方法在特征提取过程中所消耗的时间过长,且整个人脸特征提取的过程设计较为复杂。本文提出运用卷积神经网络模型对人脸识别技术的特征进行提取算法设计,卷积神经网络模型只需要进行端到端的样本训练就可以获得较高的识别效率。卷积神经网络模型的识别效率主要取决于网络模型结构,良好的网络模型结构能够确保样本训练的稳定性及准确率。
本文首先对卷积神经网络模型涉及到的理论方法进行了深入的学习与研究,从传统的神经网络概念和卷积神经网络概念出发,对比了两者在网络结构方面的特性。通过对卷积神经网络经典模型LeNet-5的研究,对本文涉及到的卷积神经网络相关理论以及应用实例进行总结。本文主要研究了以下问题:
(1)通过对深度网络的研究,采用合理的手段优化了神经网络模型的训练参数,同时合理地运用随机初始化的方式降低了神经网络模型收敛所需要消耗的时间,通过上述的手段提高了VGG模型的训练效率,同时也降低了该模型对计算机硬件资源的要求。本文也成功地将优化后的模型应用于自然环境中不同人的人脸面部表情、特征等数据信息的识别,并对其进行了仿真实验,进一步验证了算法的可靠性与高效性。
(2)运用残差学习优化了原有的Residual网络模型,同时运用了批归一化(Batch Normalization)技术提高Residual模型的稳定性,同时通过仿真实验验证了优化后的Residual具备较好的准确率;
(3)将轻量化的VGG模型应用于实际的人脸面部特征数据的处理,然后结合监控视频中的人脸数据信息进行人脸识别系统的设计与实现。
本文首先对卷积神经网络模型涉及到的理论方法进行了深入的学习与研究,从传统的神经网络概念和卷积神经网络概念出发,对比了两者在网络结构方面的特性。通过对卷积神经网络经典模型LeNet-5的研究,对本文涉及到的卷积神经网络相关理论以及应用实例进行总结。本文主要研究了以下问题:
(1)通过对深度网络的研究,采用合理的手段优化了神经网络模型的训练参数,同时合理地运用随机初始化的方式降低了神经网络模型收敛所需要消耗的时间,通过上述的手段提高了VGG模型的训练效率,同时也降低了该模型对计算机硬件资源的要求。本文也成功地将优化后的模型应用于自然环境中不同人的人脸面部表情、特征等数据信息的识别,并对其进行了仿真实验,进一步验证了算法的可靠性与高效性。
(2)运用残差学习优化了原有的Residual网络模型,同时运用了批归一化(Batch Normalization)技术提高Residual模型的稳定性,同时通过仿真实验验证了优化后的Residual具备较好的准确率;
(3)将轻量化的VGG模型应用于实际的人脸面部特征数据的处理,然后结合监控视频中的人脸数据信息进行人脸识别系统的设计与实现。