簡易檢索 / 詳目顯示

研究生: 黃奕鈞
Huang, Yi-Chun
論文名稱: 應用於MTCNN及關係類神經網路之快速人臉辨識系統
Fast Face Recognition System for MTCNN and Relation Neural Network
指導教授: 黃文吉
Hwang, Wen-Jyi
口試委員: 尤信程 林群富
口試日期: 2021/07/29
學位類別: 碩士
Master
系所名稱: 資訊工程學系
Department of Computer Science and Information Engineering
論文出版年: 2021
畢業學年度: 109
語文別: 中文
論文頁數: 48
中文關鍵詞: 人臉辨識類神經網路
英文關鍵詞: MTCNN, Relation Neural Network
研究方法: 實驗設計法
DOI URL: http://doi.org/10.6345/NTNU202101304
論文種類: 學術論文
相關次數: 點閱:144下載:17
分享至:
查詢本校圖書館目錄 查詢臺灣博碩士論文知識加值系統 勘誤回報
  • 人臉辨識是經由擷取人臉影像,分析其臉部特徵來進行身分認證的一種技術,近年來基於深度學習運用於人臉辨識逐漸成為主流的研究方向,藉由輸入大量影像資料,解析其向素值排列之向量資訊,學習人臉特徵,最終達到可以識別人臉的目的。
    使用MTCNN作為人臉檢測的部分,雖然其能夠穩定且精準地框選人臉,但是因為需要花費較大計算量,所以導致在檢測上的速度較為緩慢,進而使得整體系統效能受到影響。而在人臉識別的部分使用關係類神經網路架構,並且以一人一個模型的方式來增減辨識人數,雖然能夠對於每個人都能達到最佳的辨識度,但會在可辨識人數多的情況下,造成辨識效率降低的現象。
    本論文旨在針對人臉檢測以及人臉識別的部分做改進, MTCNN方面透過改進現有架構的方式,使得人臉檢測速度加快。而在人臉識別方面使用了演算法改變模型搜尋的方式,使得在辨識人數多的狀況下,也能夠具有流暢的辨識速度,最終整合這兩部分來獲得執行效率高之人臉辨識系統。

    目錄 摘要 i 目錄 ii 表目錄 iii 圖目錄 iv 第 1 章 緒論 1 1-1 研究背景 1 1-2 研究困難 4 1-3 研究目的 5 1-4 研究貢獻 6 第 2 章 理論基礎與背景 7 2-1 MTCNN 7 2-2 Depthwise separable convolution 8 2-3 Global Average Pooling 10 2-4 Autoencoder 12 2-5 Relation Neural Network 13 第 3 章 研究方法 15 3-1 如何加速MTCNN 15 3-2 Relation Neural Network運作原理以及流程 19 3-3加速演算法則 24 第 4 章 實驗結果 32 4-1 加速MTCNN之結果以及評估 33 4-2加速搜尋演算法之效能分析 38 第 5 章 結論 46 參考文獻 47

    [1] Saad Albawi, Tareq Abed Mohammed, Saad Al-Zawi, “Understanding of a convolutional neural network”, International Conference on Engineering and Technology, 2017.

    [2] Navneet Dalal, Bill Triggs, “Histograms of Oriented Gradients for Human Detection”, Computer Vision and Pattern Recognition, 2005.

    [3] Jiankang Deng, Jia Guo, Niannan Xue, Stefanos Zafeiriou, “ArcFace: Additive Angular Margin Loss for Deep Face Recognition”, Computer Vision and Pattern Recognition, 2018.

    [4] Andrew G. Howard, Menglong Zhu, Bo Chen, Dmitry Kalenichenko, Weijun Wang, Tobias Weyand, Marco Andreetto, Hartwig Adam, ”MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications”, Computer Vision and Pattern Recognition, 2017.

    [5] Vidit Jain, Erik Learned-Miller, “FDDB: A benchmark for face detection in unconstrained settings”, UMass Amherst Technical Report, 2010.

    [6] Gregory Koch, Richard Zemel, Ruslan Salakhutdinov, “Siamese neural networks for one-shot image recognition”, ICML deep learning workshop (Vol. 2), 2015.

    [7] Min Lin, Qiang Chen, Shuicheng Yan, “Network In Network”, Neural and Evolutionary Computing, 2013.

    [8]Satoshi Suzuki, KeiichiA be, “Topological structural analysis of digitized binary images by border following”, CVGIP, 1985.

    [9] Florian Schroff, Dmitry Kalenichenko, James Philbin, “FaceNet: A Unified Embedding for Face Recognition and Clustering”, Computer Vision and Pattern Recognition, 2015.

    [10] Flood Sung, Yongxin Yang, Li Zhang, Tao Xiang, Philip H. S. Torr, Timothy M. Hospedales, “Learning to Compare: Relation Network for Few-Shot Learning” Computer Vision and Pattern Recognition, 2018.

    [11] Paul Viola, Michael Jones, “Rapid Object Detection using a Boosted Cascade of Simple Features”, Computer Vision and Pattern Recognition, 2001.

    [12] Mei Wang, Weihong Deng, “Deep Face Recognition: A Survey”, Computer Vision and Pattern Recognition, 2020.

    [13] Liu Yang, “Distance Metric Learning: A Comprehensive Survey”, Michigan State Universiy, 2006.

    [14] Kaipeng Zhang, Zhanpeng Zhang, Zhifeng Li, Yu Qiao, “Joint Face Detection and Alignment using Multi-task Cascaded Convolutional Networks”, Computer Vision and Pattern Recognition, 2016.

    [15] 邱筠茜,“以Multi-Task CNN和One-to-Many資料增量技術為基礎的人臉辨識系統,” 國立臺灣師範大學, 2021.

    [16] 彭涵芸,“人臉辨識系統特徵擷取之研究,” 國立臺灣師範大學, 2021.

    [17] 蔡佳韋,“以關係類神經網路與嵌入式平台為基礎實做人臉辨識之研究,” 國立臺灣師範大學, 2021.

    下載圖示
    QR CODE