基于深度学习的人脸识别
合集下载
相关主题
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
。
,
,
,
。
,
,
。
,
.
。
,
。
:
。
。
,
,
。
,
。
上表 中 数 据增 强 表示 是否 对 原 图 进 行 扭 曲操 作 以 增 加 数 据量 多 尺度 和 多 角 度 变换 表示 对 原 图 做 高 斯 模 ; 糊 和 旋 转变 换 并 送 人 网 络进 行训 练 数 据精 度 表示 训 练集 图像 与 标 签 的 匹 配程 度 由 于 数 据集 是 自 己 建 立 的 存在 很 多 噪 声 数据 精 度分 为 低和 高 是 因 为在 建立 数 据 集 的 时候 一 开始 精度 较 低 后来 发 现 问 题 后 对数 据 ; 集 重 新 进行 了 人 工 筛 选 得 到 了 较 高 精度 的新 数 据 集 数据 量 指是 否 选 用 所有 的 身份 进行 训 练 部 分 身 份指 选 ; 取了训练集 中 23 8 个身份 是否有 B n o r m 层指层叠结 a te h n o r a一 B ia m z t io n 层 构 中是否 加 人 2 结果 和 分 析 图 1 是 每个 网 络在 训 练 中每 一 回 合 的测 试 集 和训 练 r in o t p l e r 表 示对 训 练集 进 行 分 类 的 集 上 的 正确 率 t a o p t l e l r 错误 率 v 表 示对 测 试 集 进 行分 类 的 错误 率 a
.
科技 经 济 导 刊
0 2
16
1 2
期
科 技 经 济信 息化
基 于深度 学 习 的 人 脸 识 别
管 杰
摘
要 : 本 文 利 用 对 比 实验
。
,
张馨 戈
徐Baidu Nhomakorabea昆然
7 100 64
( 长 安大 学 陕 西 西 安
)
t h z tl o n 位 置 以 及 数 据 数 量 和 数 据精度 对 网 探 索 深度 神 经 网 络 中 a o m n Bc r 施a 8 人 共 7 4 6 8 4 张 照 片 作 为 训 练样 本 使 用 基 络训 练 结 果 的 影 响 为 了 训 练 深 度 神经 网 络 本 文 采 集 了 5 5 a e t C 于 M da b 的 卷积 神 经 网 络 工 具 M a n v o n : 作 为 软 件 环 境 硬件 上 采 用 G T x 9 7 0 显 卡 对 训 练进 行 加 速 利 用 对 比 实验 的结 果 本 文 训 练 出 了 一 个 在 验证 集 上 正 确 率达到 8 6 3 % 的 网 络 并利 用 该 网 络结 合 M a b t a l Gu l 实 现 了 一 个 人脸 识 别 的 应 用 b 关 键 词 : 深度 学 习 ; 人脸 识 别 ; M 沮 a 中 图分 类 号 : A S 文献 标 识 码 : C 文 章 编 号 : 2 0 9 6 一 2 9 9 5 (2 0 2 6 )2 2 一 0 0 4 5 一 0 2
。
,
,
,
,
。
,
,
,
,
,
。
:
,
。
。
,
。
—
亩 日 . n宜 甲1 .
r
七 日. 盯 油 习 反盯
一 一 一 , 洲 卯 , e汀 . 一 一 一 翻 加, . 厅
匡璧!
牡 爪 比
:
,
。
,
,
::
,
。
。
:
:
,
,
汰
气\
/
-
/
、
,
。
一
jc
一
·
,
唁
~
了加 、 一
_
,
~ 产 、 一 一 、 z 卜~ 产 、
+
。
表
4
1
网 络结 构
5 CO 5
l v
如曰 一 n 一n g e p
,
。
,
。
,
.
,
。
人脸 识 别 是 当前 计算 机 视 觉 领 域 非 常 重 要 的 一 个 研 究 方 向 最 近 人脸 识 别 技术 有 了 比 较大 的 进步 原 因 在于 一种 强 有 力 的 学 习 算法 的 提 出 即 深 度 神 经 网络 ( 应 用于 图像 时又 叫卷 积 神 经 网 络 ) 利 用 该 算 法 在 近期 l p h a g 。 战胜 了世 的 围 棋 人机 大 战 中 g 。 。 g l e 公 司利 用 a 界顶 级棋 手 李 世 石 在 目前最 权 威 的人脸 识 别 基 准 测 试 集 L F W 上 人 类 已 经 获得 了 分 别 获 得 了 9 6 5 % 识 别 正 确 率 由 于 深 度 学 习 算法 强 有 力 的 性 能 本 文 选择 利 用深 度学 习 算 法来 完成 人脸 识别 任 务 1 建立 深度 网 络 t Co n v n e t 工具 箱 建 立 卷 实 验 环 境 本 文 中利 用 M a o n v n l b 设计 的卷 积 神 t C t 是基 于 M a e t a 积神 经 网 络 M a 经 网 络 工 具 箱 他 实 现简 单 运算 效 率高 可 以训 练 出 高 水 平 的深 度 网 络 许多 国 际 领先 的 网 络 结 构均 采 用 该 t 另一 大 t Co n v n e 工 具训 练 得 到 例 如 V G G 一 N E T M a 优 势 可 以非 常 方 便 的调 用 G P U 进 行运 算 加 速 本 文 的 实验 利用 了 一 块配 有 4 G 显存 的 G T X 9 7 0 显 卡 进行 运算 7 4 7 9 O K C P U 大 约 能 够提 速 7 相比 1 0 倍 训 练 数 据 本 文 中使 用 的训 练 数 据 是 自 己 采 集 的 数 据 总 共 包 含 5 邓 个 人 的共 7 4 6 8 4 张 照 片 这 些 人物 大 部 分 为 便于 采 集其 照 片 的公 众 人 物 例 如 影 视 明 星 体 育人 物 政治 人物 等 少量 为 现实生 活 中 同 学 的 照 片 网 络结 构 网 络结 构 表 3 一 1 所 示 表 中 C o n v 层 表 l ia t o n 层 t 比 n。 z i 示 卷 积 层 Bn 。俄 层 表 示 Ba 俄a 〕0 0 u I 1 R l e M 表 示最大值池 化层 表 示 纠 正 线 性 单元 S叩 p o r t 参 数表示 卷 积 核的大 刁 、 iF l t d 加 表 示卷 积维度 ; 即 输人 数据 的特 征数 N u 耐 i t s 表示 输 出 的 特征 数量 l
,
,
,
。
,
,
。
,
.
。
,
。
:
。
。
,
,
。
,
。
上表 中 数 据增 强 表示 是否 对 原 图 进 行 扭 曲操 作 以 增 加 数 据量 多 尺度 和 多 角 度 变换 表示 对 原 图 做 高 斯 模 ; 糊 和 旋 转变 换 并 送 人 网 络进 行训 练 数 据精 度 表示 训 练集 图像 与 标 签 的 匹 配程 度 由 于 数 据集 是 自 己 建 立 的 存在 很 多 噪 声 数据 精 度分 为 低和 高 是 因 为在 建立 数 据 集 的 时候 一 开始 精度 较 低 后来 发 现 问 题 后 对数 据 ; 集 重 新 进行 了 人 工 筛 选 得 到 了 较 高 精度 的新 数 据 集 数据 量 指是 否 选 用 所有 的 身份 进行 训 练 部 分 身 份指 选 ; 取了训练集 中 23 8 个身份 是否有 B n o r m 层指层叠结 a te h n o r a一 B ia m z t io n 层 构 中是否 加 人 2 结果 和 分 析 图 1 是 每个 网 络在 训 练 中每 一 回 合 的测 试 集 和训 练 r in o t p l e r 表 示对 训 练集 进 行 分 类 的 集 上 的 正确 率 t a o p t l e l r 错误 率 v 表 示对 测 试 集 进 行分 类 的 错误 率 a
.
科技 经 济 导 刊
0 2
16
1 2
期
科 技 经 济信 息化
基 于深度 学 习 的 人 脸 识 别
管 杰
摘
要 : 本 文 利 用 对 比 实验
。
,
张馨 戈
徐Baidu Nhomakorabea昆然
7 100 64
( 长 安大 学 陕 西 西 安
)
t h z tl o n 位 置 以 及 数 据 数 量 和 数 据精度 对 网 探 索 深度 神 经 网 络 中 a o m n Bc r 施a 8 人 共 7 4 6 8 4 张 照 片 作 为 训 练样 本 使 用 基 络训 练 结 果 的 影 响 为 了 训 练 深 度 神经 网 络 本 文 采 集 了 5 5 a e t C 于 M da b 的 卷积 神 经 网 络 工 具 M a n v o n : 作 为 软 件 环 境 硬件 上 采 用 G T x 9 7 0 显 卡 对 训 练进 行 加 速 利 用 对 比 实验 的结 果 本 文 训 练 出 了 一 个 在 验证 集 上 正 确 率达到 8 6 3 % 的 网 络 并利 用 该 网 络结 合 M a b t a l Gu l 实 现 了 一 个 人脸 识 别 的 应 用 b 关 键 词 : 深度 学 习 ; 人脸 识 别 ; M 沮 a 中 图分 类 号 : A S 文献 标 识 码 : C 文 章 编 号 : 2 0 9 6 一 2 9 9 5 (2 0 2 6 )2 2 一 0 0 4 5 一 0 2
。
,
,
,
,
。
,
,
,
,
,
。
:
,
。
。
,
。
—
亩 日 . n宜 甲1 .
r
七 日. 盯 油 习 反盯
一 一 一 , 洲 卯 , e汀 . 一 一 一 翻 加, . 厅
匡璧!
牡 爪 比
:
,
。
,
,
::
,
。
。
:
:
,
,
汰
气\
/
-
/
、
,
。
一
jc
一
·
,
唁
~
了加 、 一
_
,
~ 产 、 一 一 、 z 卜~ 产 、
+
。
表
4
1
网 络结 构
5 CO 5
l v
如曰 一 n 一n g e p
,
。
,
。
,
.
,
。
人脸 识 别 是 当前 计算 机 视 觉 领 域 非 常 重 要 的 一 个 研 究 方 向 最 近 人脸 识 别 技术 有 了 比 较大 的 进步 原 因 在于 一种 强 有 力 的 学 习 算法 的 提 出 即 深 度 神 经 网络 ( 应 用于 图像 时又 叫卷 积 神 经 网 络 ) 利 用 该 算 法 在 近期 l p h a g 。 战胜 了世 的 围 棋 人机 大 战 中 g 。 。 g l e 公 司利 用 a 界顶 级棋 手 李 世 石 在 目前最 权 威 的人脸 识 别 基 准 测 试 集 L F W 上 人 类 已 经 获得 了 分 别 获 得 了 9 6 5 % 识 别 正 确 率 由 于 深 度 学 习 算法 强 有 力 的 性 能 本 文 选择 利 用深 度学 习 算 法来 完成 人脸 识别 任 务 1 建立 深度 网 络 t Co n v n e t 工具 箱 建 立 卷 实 验 环 境 本 文 中利 用 M a o n v n l b 设计 的卷 积 神 t C t 是基 于 M a e t a 积神 经 网 络 M a 经 网 络 工 具 箱 他 实 现简 单 运算 效 率高 可 以训 练 出 高 水 平 的深 度 网 络 许多 国 际 领先 的 网 络 结 构均 采 用 该 t 另一 大 t Co n v n e 工 具训 练 得 到 例 如 V G G 一 N E T M a 优 势 可 以非 常 方 便 的调 用 G P U 进 行运 算 加 速 本 文 的 实验 利用 了 一 块配 有 4 G 显存 的 G T X 9 7 0 显 卡 进行 运算 7 4 7 9 O K C P U 大 约 能 够提 速 7 相比 1 0 倍 训 练 数 据 本 文 中使 用 的训 练 数 据 是 自 己 采 集 的 数 据 总 共 包 含 5 邓 个 人 的共 7 4 6 8 4 张 照 片 这 些 人物 大 部 分 为 便于 采 集其 照 片 的公 众 人 物 例 如 影 视 明 星 体 育人 物 政治 人物 等 少量 为 现实生 活 中 同 学 的 照 片 网 络结 构 网 络结 构 表 3 一 1 所 示 表 中 C o n v 层 表 l ia t o n 层 t 比 n。 z i 示 卷 积 层 Bn 。俄 层 表 示 Ba 俄a 〕0 0 u I 1 R l e M 表 示最大值池 化层 表 示 纠 正 线 性 单元 S叩 p o r t 参 数表示 卷 积 核的大 刁 、 iF l t d 加 表 示卷 积维度 ; 即 输人 数据 的特 征数 N u 耐 i t s 表示 输 出 的 特征 数量 l