基于深度学习的人脸识别研究与设计开题报告

全文总字数：3568字

1. 研究目的与意义（文献综述）

人脸识别是当今社会的一个热门话题，也是一个重要的研究方向。它的应用范围非常之广，是几乎任何的智能设备都可以搭载的一项技术。但是，很多时候人脸识别用于安全方面，比如现在的人脸解锁。这对于人脸识别的精确度提出新的要求。因为在人脸识别的过程中有着比传统的密码识别，或是先进的指纹、虹膜识别更加多的干扰。从第一步的获取人脸图像开始，就有例如光线的方向、强度等随机因素，人脸的多变性，表情的影响等等诸多考验。因此现在的人脸识别还有较大的提升空间，也有很长的一段路要走。

当前很多国家展开了有关人脸识别的研究。主要有美国、欧洲、日本等。 研究机构有mit媒体实验室和人工智能实验室、cmu的机器人研究所、法国的inria研究院。美国国家标准技术局举办的frvt2006通过大规模的人脸测试表明，当今世界上人脸识别的一些方法的识别的精度已经超过人类的平均水平。而对于高清晰、高质量人脸图像识别，机器的识别精确度几乎达到百分之百。

2. 研究的基本内容与方案

基本内容：拟通过机器学习及相关算法，以python语言作为工具，训练一个网络，为脸部图片生成测量值并能够识别该脸部图片。

目标：使用python语言，编程实现深度学习，搭建并训练卷积神经网络。最终实现人脸识别功能。

拟采用的技术方案及措施：首先是数据的预处理，我们需要在给定的图片中寻找出“人脸”，采用方向梯度直方图的方式。首先将图片转为黑白，再将黑白图片中的每一个像素标上一个箭头，箭头指向变暗的方向，遍历所有的像素，可以得到一张梯度图，然后与已知人脸的梯度图进行对比，确定人脸的位置。接下来将运用到深度学习的相关知识。确定人脸的位置之后，将采用面部特征点估计的算法，这个算法将在人脸上标出68个特征点，这些特征点通过旋转,缩放等一些不影响失真的后可以便于对应同一张人脸的不同形态，如侧脸等。最后将训练一个深度卷积神经网络为脸部生成128个测量值来识别人脸。每次训练要观察三个不同的人脸照片，两张同一人的不同照片，一张另一个人的照片，要求得到的结果是这些测量值前两张接近，而与最后一张不同 。这样就可以区分人脸与人脸的不同。最后将人脸打上对应的类标，当用户访问的时候就可以输出相应的功能，如解锁或是智能分类等。在此过程中将用到深度学习，神经网络，图像处理等相关知识。

3. 研究计划与安排

第1 - 3周：收集、整理选题相关的文献资料，完成、完善方案论证，撰写开题报告；

第4 - 5周：认真学习选题相关的知识、理论和算法实现等，熟悉软硬件环境；

第6 - 8周：建立软硬件仿真模型、完成程序编写、仿真实验等，并做好相关记录及分析；

第9-11周：完善相关实验、比较及分析，完成算法或系统的设计实现；

4. 参考文献（12篇以上）

1. 塞巴斯蒂安·拉施卡.python机器学习2017.5.1

2. 严严,陈日伟,王菡子.基于深度学习的人脸分析研究进展[j].厦门大学学报(自然科学版),2017,56(01):13-24.

3. 汤德俊.人脸识别中图像特征提取与匹配技术研究[d]大连:大连海事大学,2013.

4. 李倩玉,蒋建国,齐美彬.基于改进深层网络的人脸识别算法[j].电子学报,2017,45(03):619-625.

   剩余内容已隐藏，您需要先支付 10元 才能查看该篇文章全部内容！立即支付