论文部分内容阅读
随着信息时代的发展,机器学习得到了广泛研究,其中以深度学习算法和卷积神经网络(简称CNN)为基础的人脸检测和识别技术得到了快速发展。传统的人脸检测和识别算法在提取人脸特征向量时,易受到外界环境和其它变化因素的影响,以致不能更好地获取人脸信息,完成人脸的匹配和识别。现有的人脸检测和识别算法中,针对于人脸检测中光照强度、姿态旋转及部分遮挡等变化因素的研究相对较少,以至于在上述变化因素出现时,实时人脸检测和识别的准确性会被降低。因此,在考虑变化因素的前提下,如何有效地提升人脸检测能力和提高人脸识别的准确性,是一项重大的研究课题。本文在卷积神经网络模型的基础上,首先,针对于人脸姿态旋转、光照强度及部分遮挡等变化因素的影响,提出了多级联CNN模型用于人脸检测,设计了改进的CNN模型并进行了训练,与Facenet模型的训练结果进行了比较,进而选择效果较优的网络模型用于设计人脸识别模块;最后,在所设计的算法基础上,完成了学生考勤系统的设计和测试。本文的主要具体工作如下:1.根据检测过程中存在的变化因素,提出了一种多级联CNN模型。该模型针对于实时画面中的人脸进行检测,通过多组卷积神经网络逐层对图像进行人脸预测。此方法一方面可以减小光照强度、人脸姿态旋转等变化因素对人脸检测准确性的影响,另一方面,通过计算多组卷积神经网络对人脸图像预测结果的平均值作为最终人脸检测结果,能够在很大程度上提升人脸区域检测的正确性;通过与基于Haar特征的AdaBoost方法实际检测效果相比较,结果表明:多级联CNN模型具有更优的实际检测效果。2.在Facenet深度CNN的基础上,本文采用Inception-resnet-V1网络结构,选择Triplet loss三元目标损失函数,使用CASIA-FaceV5人脸图像数据集,进行了Facenet深度CNN模型训练实验。实验发现:Facenet深度CNN模型面对小样本人脸数据库的训练效果不错,能够全部有效地识别出人脸信息。3.基于CNN结构,本文设计了一种改进的CNN模型,通过进一步增加网络层数,调整、优化网络结构,更好地获取人脸信息,提高人脸识别的准确性。为了验证该方法的有效性,本文选择CASIAFaceV5图像数据集,对改进的CNN模型进行训练,实验结果表明:该模型在人脸识别准确率上相比于已有算法有了一定的提升,在面对样本规模不大的人脸数据库时,具有较好的应用效果。4.在以上所设计的算法基础上,结合摄像头和MySQL数据库,完成了学生考勤系统的设计和测试。采用MySQL数据库保存图片信息,包含学号、姓名、性别、专业和人脸特征等。实验结果表明:基于人脸检测和识别的学生考勤系统具有较好的实时性和可行性。