论文部分内容阅读
与静态人脸识别相比,动态人脸识别更具有实用价值和研究价值。但在视频中对动态人脸识别依然存在一些困难和挑战。在视频及非约束条件下获取的动态人脸受到姿态变化、表情和侧脸等复杂干扰因素,使其识别难度增大。针对上述问题,在深度学习方法的基础上,对动态人脸识别方法进一步研究,主要工作内容如下:(1)为保证训练效果和数据集质量,扩充人脸数据集,利用DBSCAN对原始数据集进行聚类清洗,同时对人脸数据进行数据增强、去除背景干扰和人脸平均像素填充。(2)分别训练MTCNN网络中的P网络、R网络、O网络,实现在图片以及视频中的人脸检测效果,并引入Deep-Sort跟踪算法,达到在视频上人脸实时跟踪检测的效果。同时考虑到不同场景的需求,在人脸检测任务中通过级联训练好的MobileNetV2神经网络实现活体检测和口罩佩戴检测任务。(3)改进残差网络实现动态人脸识别的任务,从损失函数和神经网络两个方面阐述,由于Softmax loss本身的缺陷,同时受到Center loss和Marginal loss的启发提出一种联合损失函数,提高人脸类间距,缩小人脸类内距,另外基于resnet34网络,从卷积核、激活函数等方面进行优化,引入了深度残差恒等映射层,进一步提高人脸识别率,在MegaFace、FaceScrub、LFW、SLLFW、YTF、IJB-B、IJB-C多个数据集上验证算法的有效性。(4)搭建视频动态人脸识别系统,实现了实时人脸检测、识别、跟踪的效果。提出的基于联合损失和恒等映射的人脸识别算法和其他算法相比性能更加优异,有效地提升了动态人脸识别的鲁棒性,并具有一定的实用价值。