人脸的跟踪识别与年龄估计

《人脸的跟踪识别与年龄估计》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、Ｓｏｕ化ＣｈｉｎａＵｎｉｖｅｒｓｉｔｏｆＴｅｃｈｎｏｌｏｙｇｙ硕±学位论文人脸的跟踪识别与年龄佑计．．阔１作者姓名徐桂从学科专业信号与信息处理指导教师徐向民教授所在学院电子与信息学院论文提交日期２０１６年４月２０日■．；！AstudyofFaceTracking,IdentityVerificationandAgeEstimationADissertationSubmittedfortheDegreeofMasterCandidate:XuGuicongSupervisor

2、:Prof.XuXiangminSouthChinaUniversityofTechnologyGuangzhou,ChinaＶ分类号：ＴＴ３９１学校代号：１０５６１学号：２０。２０１０９３。．华南理工大学硕±学位论文ｉ人脸的跟踪巧别与年龄估计：作者姓名：徐桂从指导教师姓名、职称徐向民教授：申请学位级别：学术硕±学科专业名称信号与信息处理研究方向：图像处理６４６论文提交日期：２０１年月２０日论文答辩日期：年月言日？学位授予单位：华南理工大学学位授予日期：年月日答辩委员会成员：丰席：

3、瞬你尋蚕员－。巧：秦序獻嫂音齡聲、个．Ｖ华南理工大学学位论文原创性声明本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取得的研究成果。除了文中特别加Ｗ标注引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写的成果作品。对本文的研究做出重要贡献的个人和集体，均已在文中明确方式标明。本人完全意识到本声明的法律后果由本人承担。？作者签名；禱栓Ｉ人．曰期：Ｗ炸月／立曰学位论文版权使用授权书本学位论文作者完全了解学校有关保留，：、使用学位论文的规定即研巧生在校攻读学位期间论文工作

4、的知识产权单位属华南理工大学。学校有权保存并向国家有关部口或机构送交？论文的复印件和电子版，允许学位论文被查阅（除在保密期内的保密论文外）；学校可Ｗ公布学位论文的全部或部分内容，可Ｗ允许采用影印、缩印或其它复制手段保存、汇编学位论文。一本人电子文档的内容和纸质论文的内容相致。本学位论文属于：屯□保密，在＿＿＿年解密后适用本授权书。ｆ不保密，同意在校园网上发布，供校内师生和与学校有共享协议全的单位浏览；同意将本人学位论文提交中国学术期刊（光盘版）电子杂志化文出版和编入ＣＮＫＩ《中国知识资源总库》，传播学位论文

5、的全部或部分内容。＂＂（请在Ｗ上相应方框内打Ｖ）減作者签名：矮校心曰期：、６、！义？、指导教师签名：日期：側ＪＪ摘要由于人脸表达了与人类特性相关的重要信息，因此人脸识别在入口验证、身份识别、人机交互等方面得到了广泛应用，在最近十多年内更成为了图像分析和理解领域的热门研究话题。广泛的人脸应用衍生了丰富的人脸研究内容，包括人脸定位、人脸识别、年龄估计和性别分类等。本文主要研究内容为：采用人脸跟踪实现人脸目标定位；识别目标人脸身份；估计人脸目标表观年龄。为此对人脸定位、人脸识别和人脸年龄估计三个模块作出了不同程度的改进和优

6、化，主要贡献如下：1)人脸目标定位是人脸相关研究的基础，其定位结果对后期处理有很大程度的影响。优秀的人脸跟踪算法能与人脸检测协同使用，得到更精确的人脸目标。针对单一特征跟踪人脸目标不具有鲁棒性的缺陷，设计了在扩展跟踪框架CSK中融合纹理、颜色、亮度三种不同人工设计特征的算法，发挥多线索目标表达的优势，实时地跟踪人脸目标，取得了74.35%的跟踪精度，高出性能较好的KCF算法6.9%。2)本文采用扩展性良好的卷积神经网络（ConvolutionalNeuralNetwork，CNN）网络结构自动学习目标表达代替手工设计的特征。为减少参数选择和

7、训练的复杂性，采用4-5层卷积的LightenCNN结构，在卷积层引入NIN深度结构增强了学习特征的抽象表达能力。首先，在CNN自学习的特征表达后引入PCA降维去冗余，识别率较原模型增长了0.3%。其次，因CNN训练采用识别任务监督，而LFW库是验证任务，受特征提取和分类器结合的启发，将CNN看作是自学习的特征提取子，倒数第二层的特征表达隐层作为分类器SVM的输入，协同获得更优的结果。最后，改进原CNN网络结构，在保留单模型结构的基础上，使用PReLU激励函数代替原MFM激励函数，单参数空间更小，更容易优化；不采用池化层，减少了损失且增加了

8、运行速率；为了降低类内偏差，增加类间差异提高识别结果，CNN引入验证和识别双监督信号来约束CNN的特征学习能力，在LFW库上获得了98.67%的识别率，较原结构增长0.9%。3)