论文部分内容阅读
人脸识别是同属于人工智能领域和生物特征识别领域的一个重要课题,是图像分析与理解的一种非常成功的应用,因其在商业、安全、身份认证等众多方面的应用越来越广泛,已经成为一个充满活力的研究领域。随着应用需求的不断提升,人脸识别技术不再只针对人脸身份识别,人脸属性识别也显得愈发重要。现有技术一般采用多个模型并联的方法来完成多个不同人脸属性的识别任务,这样不仅训练时间慢,而且在实际使用时,存在系统资源消耗大、运行时间慢的问题。为了解决上述问题,本论文基于多任务深度学习研究了人脸识别算法。首先,介绍了多任务深度学习以及人脸识别算法的相关理论。随后提出一种基于多任务深度学习的人脸识别算法:设计出一个精简的多任务人脸识别模型加快了运行速度;选择合适的多任务训练顺序,并且针对参数收敛很慢的人脸年龄识别训练过程设计了一种全新的损失函数,加快了训练速度;利用多个学习任务之间的相关性提升了模型识别精度。基于此算法,本论文利用深度学习框架Caffe设计出一个深度网络结构,并进行模型训练和选择后,最终得到一个端到端的多任务人脸识别模型M44。该模型可同时完成多个识别任务,具体包括:人脸身份识别,人脸年龄识别,人脸性别识别,以及人脸疲劳状态识别。实验结果表明,在本论文实验环境下,模型M44训练总时间仅需10小时左右,完成四个识别任务仅需42ms,训练速度以及运行速度相较其他人脸识别模型提升了超过10倍,其各个任务识别精度均达到或高于领域内先进水平。为了进一步提高各个任务的识别精度,本论文将add特征融合原理与concat特征融合原理相结合,提出一种多层特征融合的多任务人脸识别算法:分别从模型M44的底层、中层、上层提取出特征,设计出一个多层特征融合网络对三种特征进行concat特征融合,再基于add特征融合原理进行特征选择与组合,以得到更具有泛化性的特征,从而进一步提升多任务学习的性能。基于此算法,本论文最终训练出一个端到端的多层特征融合网络模型MFN,该模型同样能同时完成多个识别任务。实验结果表明,在本论文实验环境下,模型MFN整体运行时间相较模型M44仅增加了21ms,便进一步提高了各个任务的识别精度。本论文设计实现的多任务人脸识别算法可以在短时间内快速识别出人脸身份以及人脸属性信息,具有训练时间短、运行速度快和识别精度高的特点,可广泛应用于智能驾驶行为分析、智能服装导航等多个领域。