基于自編碼和卷積神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別算法研究.pdf

1、人臉識(shí)別憑借自身的直觀性、隱蔽性、簡易性等優(yōu)點(diǎn)在人工智能領(lǐng)域得到了越來越廣泛的應(yīng)用。近年來，隨著深度學(xué)習(xí)的興起，基于深度學(xué)習(xí)的人臉識(shí)別成為了學(xué)術(shù)界人工智能領(lǐng)域的炙熱點(diǎn)。針對(duì)人臉姿態(tài)以及數(shù)據(jù)中的噪聲，導(dǎo)致人臉識(shí)別性能下降問題，本文在自編碼和卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，對(duì)人臉識(shí)別算法進(jìn)行了深入的探索和研究。
　　首先，為解決噪聲對(duì)人臉識(shí)別性能影響問題，提出一種基于最大相關(guān)熵的堆棧稀疏自編碼網(wǎng)絡(luò)的人臉識(shí)別方法。該方法采用最大相關(guān)熵作為網(wǎng)絡(luò)的重

2、構(gòu)函數(shù)，由于多層非線性映射層構(gòu)成的深度網(wǎng)絡(luò)比淺層更加有效，故構(gòu)建了一個(gè)多層網(wǎng)絡(luò)，同時(shí)引入稀疏約束項(xiàng)。在YaleB和AR人臉數(shù)據(jù)庫上的實(shí)驗(yàn)結(jié)果表明，訓(xùn)練樣本在加噪或不加噪情況下，提出的方法相比傳統(tǒng)的堆棧稀疏自編碼網(wǎng)絡(luò)識(shí)別性能有所提升，學(xué)習(xí)到的特征也更具魯棒性。
　　其次，針對(duì)人臉姿態(tài)變化對(duì)人臉識(shí)別性能產(chǎn)生的影響，在局部卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，提出了一種改進(jìn)的局部卷積網(wǎng)絡(luò)(ILCN)人臉姿態(tài)去除與識(shí)別方法。該方法通過在網(wǎng)絡(luò)中引入分離層將

3、網(wǎng)絡(luò)分成兩個(gè)通道：一個(gè)通道用于產(chǎn)生中間層重構(gòu)函數(shù)，另一個(gè)通道用于進(jìn)一步進(jìn)行卷積操作。最終將中間層的重構(gòu)函數(shù)作為頂層代價(jià)函數(shù)的一個(gè)約束項(xiàng)，來進(jìn)一步保證頂層重構(gòu)正臉的質(zhì)量。實(shí)驗(yàn)結(jié)果表明，提出的方法能夠有效的將各個(gè)姿態(tài)下人臉圖片較好的恢復(fù)出正臉圖片，且恢復(fù)出來的圖片具有較好的局部信息。最后將去除姿態(tài)的人臉圖片采用LDA進(jìn)行特征提取，并利用最近鄰分類器做識(shí)別。ILCN同基于2D和3D去除姿態(tài)的人臉識(shí)別方法相比識(shí)別率有較大提升。
　　最后，

4、研究了一種編解碼深度網(wǎng)絡(luò)(EDDN)的人臉識(shí)別方法，該方法與ILCN相比，EDDN更側(cè)重的是特征的提取而非正臉的重建。ILCN能夠更好的實(shí)現(xiàn)各姿態(tài)下人臉到正臉的重建，且重建出來的正臉圖片具有較好的紋理信息。EDDN由編解碼兩個(gè)過程構(gòu)成，編碼過程為一個(gè)多層感知機(jī)，通過逐層壓縮特征的維度使得提取的特征對(duì)人臉姿態(tài)更具魯棒性，解碼過程實(shí)現(xiàn)的是重構(gòu)正臉。實(shí)驗(yàn)結(jié)果表明，盡管EDDN重建出來的正臉信息相比ILCN具有較大差距，但提取的特征對(duì)人臉姿態(tài)具