人脸检测与匹配识别算法研究.pdf

《人脸检测与匹配识别算法研究.pdf》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、硕士学位论文人脸检测与匹配识别算法研究RESEARCHONFACEDETECTIONMATCHINGANDRECOGNITIONALGORITHM王艺蒙哈尔滨工业大学2018年6月国内图书分类号：TP391学校代码：10213国际图书分类号：004.93密级：公开工程硕士学位论文人脸检测与匹配识别算法研究硕士研究生：王艺蒙导师：王常虹教授申请学位：工程硕士学科：控制工程所在单位：航天学院答辩日期：2018年6月授予学位单位：哈尔滨工业大学ClassifiedIndex:TP391U.D.C:004.93ThesisfortheMasterDegreeinEngineeringRESEA

2、RCHONFACEDETECTIONMATCHINGANDRECOGNITIONALGORITHMCandidate：WangYimengSupervisor：Prof.WangChanghongAcademicDegreeAppliedfor：MasterofEngineeringSpecialty：ControlScienceandEngineeringAffiliation：SchoolofAstronauticsDateofDefence：June,2018Degree-Conferring-Institution：HarbinInstituteofTechnology哈尔滨工

3、业大学工程硕士论文摘要人脸识别是一种重要的生物识别技术，近年来获得迅速发展，引入深度学习方法解决人脸识别问题，可以获得比传统方法更高得准确度和稳定性。因此，人脸识别技术已在安防系统、公安系统、支付系统等多个领域中获得广泛应用。但考虑到场景的复杂性、实时性和精准度等方面的需求，现阶段，人脸识别系统仍有较大的提升空间。针对人脸检测与识别问题，本文设计了一个完整的人脸识别系统。由图像预处理，人脸特征提取算法，人脸检测算法，人脸识别算法四部分构成，论文对每一步骤进行了深入研究。首先，由于实际样本采集过程中可能存在色彩信息混乱，图像尺寸不一等问题，本文首先对图像预处理进行了研究，对图像的灰度处理

4、，平滑处理与几何归一化进行了理论研究与实现，以便后续人脸检测与识别使用。其次，在人脸检测模块中，本文对于传统方法中SIFT算法，LBP算法进行了分析，并对LBP做出一定改进，将其与SVM结合，设计了基于传统算法的人脸检测模块。对于深度学习方法，本文基于改进级联卷积神经网络作为人脸检测算法，通过多任务学习三层级联CNN来实现人脸检测。最后，本文设计了基于三元组改进的深度卷积网络优化算法作为人脸识别算法，主要通过将特征向量映射到欧式空间上，并基于三元损失算法，判断两张图像的特征在欧式空间上的距离，直接反应图像的相似度，从而完成人脸匹配识别。在实验验证中，基于Tensorflow深度学习平台

5、，分别对基于传统算法和深度学习算法的人脸检测和人脸识别进行了实验，并基于LFW人脸数据集和自制人脸数据集进行测试，对人脸识别系统的识别准确性进行了验证，结果验证了设计方法的有效性。关键词：人脸检测；人脸特征提取；人脸识别；卷积神经网络-I-哈尔滨工业大学工程硕士论文AbstractFacerecognitionasoneoftheimportanttechnologiesofbiometricidentificationtechnologyhasbecomemorematureinrecentyears.Withtherealizationofdeeplearning,facereco

6、gnitiontechnologyhasgraduallyshiftedtotheapplicationdirection,andhasachievedremarkableresultsinmanyareassuchassecuritysystems,publicsecuritysystems,andpaymentsystems.Takingintoaccountthecomplexityofthescene,real-timeandaccuracyrequirements,andthedifficultyofeffectivesamplecollection,thefacerecog

7、nitionsystemstillhasroomforimprovement.Tosolvefacedetectionandrecognitionproblems,thispaperdesignsacompletefacerecognitionsystem.Thetraditionalfacerecognitionsystembasedonthecombinationoftraditionalfeatureextractionalgorithm