基于卷積神經網絡的人臉深度特征提取與應用方法研究.pdf

1、目前，人臉識別是機器學習、模式識別和計算機視覺領域最熱門的研究課題之一，經過幾十年的研究，已經取得了豐碩的成果。近年來，公共安全領域對人臉識別技術的需求增加，但很多傳統(tǒng)的人臉識別算法無法在這種實際應用場景下達到令人們滿意的效果。而近幾年，隨著深度學習這一領域的研究和深入，卷積神經網絡方法已經被證明在人臉特征提取方面具有強大的能力，并多次刷新了公共數(shù)據(jù)集上的人臉識別準確率。但目前基于卷積神經網絡的方法仍有一些不足，如網絡參數(shù)過多、模型優(yōu)化

2、困難、計算資源消耗過大以及實際場景下識別率下降較快等。
　　本文針對這些不足，研究了基于卷積神經網絡的人臉深度特征提取與應用方法。本方法使用卷積神經網絡網絡模型進行人臉深度特征提取，并將提取出來的特征向量應用到針對實際監(jiān)控場景的人臉圖像檢索系統(tǒng)中。針對這種人臉深度特征提取與應用方法，本文的主要貢獻如下：
　　1.本文深入研究了卷積神經網絡的原理和結構，并針對淺層的網絡提取的特征無法充分地表征人臉，而深層的網絡又面臨迭代次數(shù)過

3、多，收斂過慢的問題，提出一種基于FECNN的人臉特征提取方法，該方法首先使用NIN的思想，設計出一種深度人臉特征提取網絡模型，能提取出更加魯棒的人臉深度特征；其次在網絡中使用新型Inception結構，加深加寬了網絡并減少網絡參數(shù)，最后在整個網絡中使用批次歸一化技術，大大加快了整體網絡的收斂速度。本文通過實驗證明了FECNN網絡能快速收斂，并使用較少的參數(shù)提取出了魯棒的人臉特征。
　　2.本文針對現(xiàn)有卷積神經網絡方法大多以增大類間

4、距離為學習目標，而忽略了類內距離的減小，從而導致一些實際場景中的人臉無法被準確識別的問題，提出一種基于融合度量學習算法和深度卷積神經網絡的人臉識別方法。首先，在FECNN網絡的基礎上，提出一種改進的多Inception結構的人臉特征提取網絡；其次，提出一種聯(lián)合損失的度量學習方法，將分類損失和中心損失進行加權聯(lián)合；最后，將深度卷積神經網絡和度量學習方法進行融合，在網絡訓練時，達到增大類間距離同時減小類內距離的學習目標。實驗表明，該方法能提