基于改进深层网络的人脸识别算法

ulppknot

基于改进深层网络的人脸识别算法

摘要:目前的人脸识别算法在其特征提取过程中采用手工设计( hand-crafted)特征或利用深度学习自动提取特征.本文提出一种基于改进深层网络自动提取特征的人脸识别算法,可以更准确地提取出目标的鉴别性特征.算法首先对图像进行ZCA(Zero-mean Component Analysis)白化等预处理,减小特征相关性,降低网络训练复杂度.然后,基于卷积、池化、多层稀疏自动编码器构建深层网络特征提取器.所使用的卷积核是通过单独的无监督学习获得的.此改进的深层网络通过预训练和微调,得到一个自动的深层特征提取器.最后,利用Softmax回归模型对提取的特征进行分类.本文算法在多个常用人脸库上进行了实验,表明了其在性能上比传统方法和普通深度学习方法都有所提高.
9 v( e9 X: R# F  I0 N0 `0 t$ g关键词:人脸识别;改进的深层网络;卷积;池化;多层稀疏自动编码器
5 C7 r& o2 F6 i' L; |6 i
1引言
人脸识别是近年来计算机视觉领域和机器学习领域中最富挑战性的课题之一,受到了研究者们的广泛关注.成功有效的人脸识别具有广阔的应用前景,可在国防安全、视频监控、人机交互和视频索引等场景发挥巨大作用.
  ^  c1 v9 R$ N0 m, X% G一方面,传统的人脸识别研究,大都基于hand-craf-ted 特征,例如: Deng 等提出对变化具有较强适应性的PCA( Principal Component Analysis)特征脸,用于人脸特征表示,但其识别性能在光照、姿态变化较大时下降明显.Zhou等[2l利用Gabor小波表示人脸,计算量较大.Yang 等[3证明了几何特征和纹理特征的融合在人脸识别上的有效性,构造难度较大.以上浅层算法在训练样本和计算单元有限时很难有效地表达复杂函数[^],揭示了浅层网络的局限性.同时,新hand-crafted 特征的构建消耗大量的时间,且很难取得明显的效果.
: }8 \. k( }, Y- X0 f) N% B另一方面,深度学习在动作识别[5]、目标检测[°]上的成功应用,让我们看到了它在模式识别、语音识别和信息检索上面的光明前景.深度学习网络通过模拟大脑的深度组织结构,构建多层非线性映射层,对复杂函数拥有强大的表达能力,具有从大量样本中学习数据
, w: R- L! P+ e4 g) m: P; P
& o  Q4 v6 e$ y5 g

游客，如果您要查看本帖隐藏内容请回复

# N1 g  b( q; S, w! ^" q; @# H
0 U% k6 A, b" ^/ \2 i) ]3 A9 `

SsaaM7

基于改进深层网络的人脸识别算法