基于深度学习的活体人脸检测算法研究

《基于深度学习的活体人脸检测算法研究》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、中文图书分类号：TP391密级：公开UDC：39学校代码：10005工程硕士学位论文M.E.DISSERTATION论文题目：基于深度学习的活体人脸检测算法研究论文作者：许晓学科：电子与通信工程指导教师：毋立芳教授论文提交日期：2016年5月UDC：39学校代码：10005中文图书分类号：TP391学号：S201302204密级：公开北京工业大学硕士专业学位论文（全日制）题目基于深度学习的活体人脸检测算法研究英文题目RESEARCHONDEEPLEARNINGBASEDFACELINENESSDETECTIONALGORITHM

2、论文作者：许晓学科：电子与通信工程研究方向：图像处理与分析申请学位：工程硕士专业学位指导教师：毋立芳教授所在单位：电子信息与控制工程学院答辩日期：2016年6月授予学位单位：北京工业大学独创性声明本人声明所呈交的论文是我个人在导师指导下进行的研究工作及取得的研究成果。尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得北京工业大学或其它教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。签名：许晓日期：2016.

3、06关于论文使用授权的说明本人完全了解北京工业大学有关保留、使用学位论文的规定，即：学校有权保留送交论文的复印件，允许论文被查阅和借阅；学校可以公布论文的全部或部分内容，可以采用影印、缩印或其他复制手段保存论文。（保密的论文在解密后应遵守此规定）签名：许晓导师签名：毋立芳日期：2016.06摘要摘要近年来，随着互联网+概念的提出，基于网络的应用不断拓展，在线身份成为一大难题。基于生物特征的在线认证技术能够保持人的数字身份和物理身份的一致性，因而受到人们的关注。论文针对活体人脸检测问题开展研究，主要工作包括：1.提出了一种基于深度

4、学习的活体人脸检测方法。首先用人脸图像训练了一个深度神经网络结构用于活体检测。由于活体人脸检测是一个二分类问题，因此其监督信号比较弱，提取特征鲁棒性不好，算法性能不理想。针对这一问题，我们进一步研究了基于微调策略的方法。用活体检测训练图像对Alex-net进行微调得到一个更高效的网络。实验结果表明，本文所提出的方法非常具有竞争力。2.提出了基于动态特征的卷积神经网络活体检测算法。首先采用金字塔LK光流法跟踪视频，得到图像的动态信息，然后对光流运动信息进行分析，计算水平位移和垂直位移，进一步根据两个位移计算位移幅度图，即动态特征图

5、，将动态特征图作为卷积神经网络的输入，最后进行特征提取以及活体检测。3.设计了一个具有活体人脸检测功能的人脸认证系统，该系统包括注册阶段以及认证阶段，注册阶段包括人脸图像检测，特征提取模块，认证阶段包括人脸检测，活体人脸判别，特征提取以及相似度计算模块。关键词：活体人脸检测；卷积神经网络；深度学习；人脸认证系统-I-AbstractAbstractInrecentyears,withtheInternet+concept,thenetwork-basedapplicationextendsrapidly.Onlineidenti

6、tyauthenticationisbecomingakeyproblem.Biometricsbasedauthenticationisfocusedbecauseitcouldpreservetheconsistenceofdataidentityandphysicalidentity.Inthisthesis,wefocusonfacelivenessdetection.Theprimaryworksincludeasfollows:Firstly,weproposeadeeplearning-basedfaceliven

7、essdetectionalgorithm.First,wetrainaCNNnetwork.Becausethefacelivenessdetectionisabi-classproblem,thesupervisioninformationisnotstrongenough,therefore,theextractedfeatureisnotrobustandperformanceisnotsatisfying.ThenwetrainanewnetworkbyfinetuningtheknownAlex-net.Theexp

8、erimentalresultsconfirmtheefficiencyoftheproposedalgorithms.Secondly,weproposeadynamicfeature-basedCNNschemetofacelivenessdetection