基于深度学习的视频图像人脸识别系统设计与实现

发布时间：2023-03-18 21:16

　　随着社会的发展与技术的革新,人们对于社会安全保障的需求不断提高,其中基于视频监控的人脸识别是关键性技术之一。视频监控人脸识别技术现阶段中比较突出的如图像清晰度、系统实时性、场景复杂等问题,随着深度学习技术的出现有了一定程度的改进。论文基于深度学习技术完成了视频监控下的人脸识别的系统设计,并且对视频监控下的人脸识别技术进行改进与优化,主要内容与成果如下:(1)基于MutiTask思想与MTCNN模型设计了一套适合于视频监控场景下的用于人脸检测与分类的级联卷积神经网络模型。优化了网络结构,减少了人脸候选区域的生成,以及增加了人脸图像匹配分数的输出,最终的检测速度提升55.7%。(2)定义了一个适用于视频监控下人脸识别系统的人脸模糊程度值,可以依据其来提高对人脸识别的准确率,在一定程度上提高了对视频流某帧图像因采集过程造成的模糊,拖影等干扰因素的抗性,降低了误识率。(3)在视频监控的场景应用下,针对GOTURN视觉跟踪算法进行了改进与优化,增加了搜索目标置信分数的输出,更好的判定目标是否成功被跟踪。在视频监控场景下,结合人脸检测模块可以更准确的进行人脸检测与识别。在以上研究基础上,论文设计并...

【文章页数】：81 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 课题研究的背景与意义
    1.2 国内外历史研究与现状
    1.3 论文主要工作与结构安排
2 关键技术与功能需求分析
    2.1 目标检测网络
        2.1.1 Faster R-CNN物体检测网络
        2.1.2 MTCNN人脸检测算法
    2.2 卷积神经网络特征提取
    2.3 目标跟踪算法
        2.3.1 视觉跟踪算法与检测算法的融合
        2.3.2 基于生成类的视觉跟踪算法
        2.3.3 基于判别类的视觉跟踪算法
        2.3.4 基于相关滤波的视觉跟踪算法
        2.3.5 基于深度学习的视觉跟踪算法
    2.4 功能需求分析
    2.5 本章小结
3 基于人脸检测的级联网络结构设计
    3.1 MTCNN人脸检测模型时耗分析
    3.2 MTCNN人脸检测时耗改进
        3.2.1 MTCNN算法模型改进
        3.2.2 人脸检测流程优化
    3.3 MTCNN人脸检测输出改进
    3.4 MTCNN模型的NMS算法改进
    3.5 本章小结
4 基于人脸识别的网络结构模型搭建
    4.1 人脸识别算法流程
    4.2 三元组损失函数分析
    4.3 Inception-Resnet v1特征提取
    4.4 人脸识别模型训练与测试分析
        4.4.1 人脸识别模型训练
        4.4.2 人脸识别模型测试
    4.5 人脸识别模型训练改进
    4.6 本章小结
5 改进的多任务GOTURN跟踪算法研究
    5.1 视频人脸跟踪算法需求分析
    5.2 视频人脸跟踪流程
        5.2.1 跟踪功能实现流程
        5.2.2 跟踪算法实现流程
    5.3 跟踪算法模型改进
    5.4 跟踪算法模型改进测试
    5.5 本章小结
6 系统整合与验证
    6.1 系统测试环境介绍
    6.2 系统整合与实现
        6.2.1 系统工程实现流程
        6.2.2 系统算法整合与实现
    6.3 视频人脸模糊度检测
    6.4 视频监控下人脸识别系统验证
        6.4.1 单人脸身份识别系统验证
        6.4.2 入口人员身份识别系统验证
        6.4.3 视频记录人脸筛查系统验证
    6.5 本章小结
结论
参考文献
攻读硕士学位期间发表学术论文情况
致谢



本文编号：3763881