论文部分内容阅读
随着计算机技术和深度学习的快速发展,基于卷积神经网络的人脸识别技术已经成为计算机视觉领域的热点研究内容。人脸识别技术在社会安防、人机交互、智能交通、互联网、金融银行等多个领域具有重要的作用。人脸识别算法精度的提升已然成为目前人脸识别领域的研究重点。网络模型简洁轻便、识别准确率高这两个目标不可兼得,是目前大部分基于卷积神经网络的人脸识别算法的现状。深度学习网络结构一般都存在参数量大、模型复杂的缺陷;现有的深度学习损失函数也很难实现理想的特征分类标准,即很难达到最小类间距离大于最大类内特征距离。本文在开集协议下设计了一种基于角度距离损失函数和密集连接卷积神经网络的人脸识别算法,让人脸特征的区分度更高,满足特征的理想分类标准,提升了人脸识别的准确率。同时,本文的网络结构采用密集连接模块,很大程度上减少了传统网络结构的参数量,使得网络模型更加简洁轻便。本文设计的基于卷积神经网络的人脸识别算法,采用深度为122层、宽度为32层的密集连接网络、使用当超参数?取0.75时的角度距离损失函数进行监督,经过大量的分析和实验,本文算法在LFW数据集上的人脸识别准确率达到了99.45%,在MegaFace的人脸确认任务和人脸验证任务中分别获得72.534%和85.348%的人脸识别准确率,验证了本文算法在人脸识别任务中的有效性。文末实现了一个在前文人脸识别算法的基础上建立的人脸识别系统,可以实时识别远程IP摄像头视频中的人脸,并且在真实测试场景下取得了鲁棒性较高的识别准确率,验证了本文算法不仅在理论上可行,在实际工程应用中也可以取得良好的识别效果。