论文部分内容阅读
人脸识别因为其“非接触性”从众多生物特征的识别技术中脱颖而出并迅猛发展,从最初的公共安全领域渗透到如今生活的方方面面。但是,如今人脸识别的关键技术都是依靠庞大的数据集和重复性训练,现实生活中经常会存在样本数极少的情况,远不能支持深度学习的训练条件。因此,本文主要利用最新的深度学习理论和迁移学习理论对小样本人脸识别进行了充分的研究并取得较好的效果,具有较为重要的理论意义与实践意义。首先,本文总结分析了传统和最新的人脸识别相关理论,对比当前技术的不足以及目前研究所遇到的困难和挑战,结合当前深度学习网络结构的优缺点,提出了小样本下的人脸识别技术。其次,基于“预训练模型+分类器”的总体结构,提出基于保守训练的人脸识别迁移网络,在公共数据集和自己建立的数据集上验证改进的网络具有较好的准确率,同时分析小样本神经网络的结构规律并给出进一步优化识别率的辅助因素。接着,设计了基于层迁移的网络模型,探讨预训练模型的可迁移能力及网络结构中各个模块对迁移能力的影响程度,从而找出最优的小样本下的深度迁移学习模型。实验表明,本文充分结合小样本和现有资源,利用深度迁移学习集中解决深度学习依赖庞大数据集的缺陷,设计并优化出的迁移模型优于其他基于深度学习的人脸识别方法,取得了较好的效果。最后,在小样本人脸识别模型的基础上设计了一体化人脸自动识别情报系统,该系统包括视频解析、人脸检测对齐、人脸聚类和人脸识别,将视频和图像数据统一地输入智能系统中,进而利用基于解析结构模型的人脸聚类模块将检测出来的人脸分组,大大提高人脸识别的效率,节省了计算资源;并在系统最后设置数据库有效存储人脸和类别等信息,为数据检索和情报分析提供了良好的平台和技术支撑。实验表明,本系统可以高效且批量处理本地视频和图像,在深度迁移学习的基础上精准实现小样本下的人脸识别,具有良好的实际应用前景。