论文部分内容阅读
身份识别技术在现代社会生活中充当着很重要的角色,与人们的生活息息相关。人脸身份识别技术具有直观性优异、非接触性强以及隐蔽性好等优势,被广泛应用到安防领域、公安领域、支付领域等。属于深度学习的卷积神经网络(CNN)推动了人脸识别技术的发展,现在基于CNN的人脸识别较传统方法占据更大的优势。基于人工设计特征的传统人脸识别技术,人工获取特征的工作量很大,识别效果易受个人主观与场景的局限,导致实时性与准确度不高。而利用卷积神经网络识别人脸,可以避免复杂的特征提取,直接学习到最佳的图像特征,在不同场景的应用下具有鲁棒性、实时性。ResNet、DenseNet网络是最近提出的,模型效果最好。ResNet可达152层,但是深层网络导致训练效率低;DenseNet的稠密连接方式,可导致隐含的深度监督,有助于培训更深层次的网络架构,但是这种特征重用会导致后续层引入冗余特征信息。通过参考ResNet网络结构,引入DenseNet稠密连接结构,本文设计了12层的CNN模型架构。在保证一定的特征重用下,但不至于引入太多的冗余信息,该网络具有良好的信息流传递性,隐含的深度监督。在网络中引入批归一化与Dropout改善网络,进一步缓解过拟合,训练网络参数的优化算法选择Adam,激活函数选择ReLU。保证一定的识别速度与精确度,降低对计算机硬件资源的依赖性,实现了人脸的在线识别。在CASIA-webface人脸库训练所设计的CNN模型,针对训练结果调整模型超参数,得到最优模型,再与VGG16、ResNet14模型对比,验证该CNN模型的性能优异,在CASIA-webface上可达到95.6%以上的测试准确度。通过调用OpenCV库自带的Haar Cascade分类器实现人脸检测功能,并在人脸检测与人脸识别之间增加去模糊图片步骤,过滤清晰度低的图片,进一步提高识别效果。最后,本文的人脸识别系统测试结果在92.5%左右,识别速度在1s以内,满足人脸识别系统的设计要求。图[65]表[7]参[70]