基于卷积神经网络的活体人脸检测算法研究

作     者：佟越洋 

作者单位：长沙理工大学 

学位级别：硕士

导师姓名：龙敏

授予年度：2018年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 08[工学] 081104[工学-模式识别与智能系统] 080203[工学-机械设计及理论] 0802[工学-机械工程] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：活体人脸检测 卷积神经网络 特征提取 池化 生物特征识别 

摘      要：随着计算机视觉的快速发展,基于生物特征识别的安全认证技术成为了热门话题。而在各类生物特征识别技术中,人脸识别技术因其自然性,非接触性以及隐蔽性等优点,被广泛应用于各类认证系统中,如何提高人脸检测的安全性,成为了亟待解决的问题。本文以卷积神经网络为理论基础,针对活体人脸检测算法中的特征提取以及分类决策问题进行研究,主要内容包括以下几点:1)针对传统活体人脸检测算法特征提取单一以及基于深度学习的活体检测算法容易出现的“过拟合以及训练时间长等现象,本文综合批量标准化技术与不同类型的非线性单元,提出一种基于改进卷积神经网络的活体人脸检测算法RFC-CNN,探讨了不同卷积结构以及非线性单元对活体检测算法的影响,并提出一种基于多类型特征提取的活体检测算法DFC-CNN,实验表明,本文提出的算法可以实现对活体人脸的高效检测。2)为解决不同人脸图像的光照差异问题并增大真伪人脸的类间差异,本文将光照补偿策略引入预处理算法中,在此基础上,设计一种基于非对称卷积结构以及贪婪性连接方式的卷积神经网络,通过贪婪式的特征提取手段以及共享网络策略避免了网络学习过程中出现的特征遗漏现象,实验表明,该算法在提高对活体人脸的检测效率的同时可以加快网络模型的收敛速度。3)为了解决现有人脸增强方法存在的技术繁琐问题,论文采用高斯曲率滤波的人脸增强预处理手段,并设计一种优化的卷积神经网络,其中CNN使用复合的并行卷积神经网络以及二均值池化策略,实验表明,双线并行的卷积神经网络人脸检测算法可以对人脸图像进行准确的分类,并在样本数量与训练时间上有较大的提升。