基於卷積神經網路之身分識別系統

以作者查詢圖書館館藏

、以作者查詢臺灣博碩士

、以作者查詢全國書目

、勘誤回報

、線上人數：18

、訪客IP：3.15.5.183

姓名

陳俊霖(CHUN-LIN CHEN) 查詢紙本館藏

畢業系所

資訊管理學系在職專班

論文名稱

基於卷積神經網路之身分識別系統
(CNN-based identity recognition system)

相關論文

★ 利用資料探勘技術建立商用複合機銷售預測模型	★ 應用資料探勘技術於資源配置預測之研究-以某電腦代工支援單位為例
★ 資料探勘技術應用於航空業航班延誤分析-以C公司為例	★ 全球供應鏈下新產品的安全控管-以C公司為例
★ 資料探勘應用於半導體雷射產業-以A公司為例	★ 應用資料探勘技術於空運出口貨物存倉時間預測-以A公司為例
★ 使用資料探勘分類技術優化YouBike運補作業	★ 特徵屬性篩選對於不同資料類型之影響
★ 資料探勘應用於B2B網路型態之企業官網研究-以T公司為例	★ 衍生性金融商品之客戶投資分析與建議-整合分群與關聯法則技術
★ 應用卷積式神經網路建立肝臟超音波影像輔助判別模型	★ 能源管理系統電能補值方法誤差率比較分析
★ 企業員工情感分析與管理系統之研發	★ 資料淨化於類別不平衡問題: 機器學習觀點
★ 資料探勘技術應用於旅客自助報到之分析—以C航空公司為例	★ 應用機器學習建立單位健保欠費催繳後繳納預測模型

檔案

[Endnote RIS 格式]

[Bibtex 格式]

[相關文章]

[文章引用]

[完整記錄]

[館藏目錄]

至系統瀏覽論文 ( 永不開放)

摘要(中)

本論文以使用市售網路攝影機搭配開放資源的電腦視覺函式庫OpenCV與深度學習技術，針對身分識別提出一套「基於卷積神經網路之身分識別系統」，預期應用於門禁、區域安全監視、廣告播放或其它需經由確認身分提升使用權限之相關系統。
本論文使用Python配合TensorFlow內建之GoogLeNet卷積神經網路模型為基礎，進行監督式學習以取得人臉圖像特徵並依身分分類，本論文使用自行整理的人臉圖像資料並實驗比較GoogLeNet三個版本的模型的辨識率，在以實驗中辨識率最高的神經網路架構，加入殘差網路實驗是否能提高辨識率。以上述最佳辨識率之神經網路模型，利用OpenCV載入影片即時識別影片中人物身分以驗證本研究訓練的神經網路模型之實用性。
結果驗證部分，本論文在自行整理的14位公眾人物，每位公眾人物至少130張人臉圖像做為訓練及測試與驗證樣本，其中最佳辨識率的神經網路在1260張的圖像訓練樣本辨識率為100%，450張的圖像驗證樣本辨識率為99.11%，即時影像部分從取得影片中的人臉圖片到完成身分識別時間約為0.1秒。

摘要(英)

This paper proposes a set of "CNN-based identity recognition system" for identity recognition using a computer vision library OpenCV and deep learning technology and webcam. It is expected to be applied to access control and regional security. Monitoring, advertising, or other related systems that need to be enhanced by confirming their identity.
This thesis is based on Python and TensorFlow′s built-in GoogLeNet CNN model. Supervised learning is used to obtain facial image features and classified by identity. This paper uses self-organizing face image data and compares GoogLeNet. The identification rate of the three versions of the model, in the neural network architecture with the highest recognition rate in the experiment, can increase the recognition rate by adding the residual network experiment. Using the neural network model of the above-mentioned best recognition rate, the OpenCV is used to load the movie to instantly recognize the character in the film to verify the practicability of the neural network model of the research training.
In the verification part of the results, the paper has self-organized 14 public figures, and each public figure has at least 130 face images as training and test and verification samples, among which the best recognition rate of the neural network is in 1260 images. The recognition rate of the training sample is 100%, and the image recognition rate of the 450 images is 99.11%. The time of the instant image recognition from the face image in the film to the completion identity is about 0.1 second.

關鍵字(中)

★ 影像辨識
★ 深度學習
★ 卷積神經網路
★ 殘差網路

關鍵字(英)

★ image recognition
★ deep learning
★ CNN
★ residual network

論文目次

摘要 i
Abstract ii
圖目錄 iii
表目錄 v
目錄 vi
第一章緒論 1
1.1. 研究背景 1
1.2. 研究動機 2
1.3. 研究目的 4
1.4. 論文架構 5
第二章文獻探討 7
2.1. 人臉檢測（Haar Cascades） 7
2.2. 類神經網路（Neural Network） 9
2.3. 卷積神經網路（Convolutional Neural Network, CNN） 12
2.4. Inception V1 14
2.5. Inception V2 & V3 15
2.6. 殘差網路（Deep residual learning） 17
第三章研究方法 21
3.1. 系統架構 22
3.2. 資料蒐集 22
3.3. 卷積神經網路訓練與驗證 24
3.4. 即時影像身分識別 25
第四章實驗結果 27
4.1. 實驗圖像集 27
4.2. Inception V1實驗結果 28
4.3. Inception V2實驗結果 30
4.4. Inception V3實驗結果 32
4.5. Inception V1 ResNet實驗結果 34
4.6. 實驗結果整理與分析 37
第五章結論與建議 40
參考文獻 41

參考文獻

1. Ankit & Koustubh. (2018). ResNet, AlexNet, VGG, Inception: Understanding various architectures of Convolutional Networks. 擷取自 https://cv-tricks.com/cnn/understand-resnet-alexnet-vgg-inception/
2. Christian Szegedy & Vincent Vanhoucke & Sergey Ioffe & Jonathon Shlens & Zbigniew Wojna. (2015). Rethinking the Inception Architecture for Computer Vision. eprint arXiv:1512.00567.
3. Christian Szegedy & Wei Liu & Yangqing Jia & Pierre Sermanet & Scott Reed, Dragomir Anguelov & Dumitru Erhan & Vincent Vanhoucke & Andrew Rabinovich. (2014). Going Deeper withConvolutions. eprint arXiv:1409.4842.
4. D. H. Hubel & T. N. Wiesel. (1962). Receptive fields, binocular interaction and functional architecture in the cat′s visual cortex.
5. F.Rosenblatt. (1957). The perceptron--a perceiving and recognizing automaton. Report No. 85-460-1.
6. Kaiming He & Xiangyu Zhang & Shaoqing Ren & Jian Sun. (2015). Deep Residual Learning for Image Recognition. eprint arXiv:1512.03385.
7. Min Lin & Qiang Chen & Shuicheng Yan. (2014). Network In Network.
8. Omkar M. Parkhi. & Andrea Vedaldi & Andrew Zisserman. (2015). Deep Face Recognition. Visual Geometry Group. Department of Engineering Science. University of Oxford.
9. Paul Viola & Michael Joines. (2001). Rapid Object Detection using a Boosted Cascade of Simple Features. CVPR.
10. Sergey Ioffe & Christian Szegedy. (2015). Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift. eprint arXiv:1502.03167.
11. Simonyan, Karen & Andrew Zisserman. (2014). Very deep convolutional networks for large-scale image recognition. arXiv preprint arXiv:1409.1556.
12. Xiang-Yu Li & Zhen-Zian Lin. (2011). Face Recognition Based on HOG and Fast PCA Algorithm. School of Communication and Information Engineering, Xi’an University of Posts and Telecommunications.
13. Yann LeCun. (1998). Gradient-Based Learning Applied to Document Recognition .
14. Yoav Freund & Robert E. Schapire. (1995). A decision-theoretic generalization of on-line learning and an application to boosting. CiteSeerX: 10.1.1.56.9855.
15. 曾婉菁。(2014)。人臉偵測及辨識方法探究。印刷科技，頁 21-40。
16. 楊筱筠。(2018)。刷臉也可提款了！人臉辨識四流程簡單完成臉孔建檔。經濟日報。

指導教授

蔡志豐(Chih-Fong Tsai)

審核日期

2019-7-1

推文