【摘要】：深度學(xué)習(xí)模型可以獲得更具有鑒別力的人臉特征,提高人臉識(shí)別性能.因此,文中結(jié)合深度學(xué)習(xí)思想,提出多層次深度網(wǎng)絡(luò)融合特征提取模型.在深度子空間基礎(chǔ)上,采用"卷積-池化"網(wǎng)絡(luò)結(jié)構(gòu),在降低特征維度的同時(shí)保留圖像紋理信息,并且獲得局部轉(zhuǎn)換魯棒性.同時(shí),利用人臉標(biāo)定算法獲得人臉特征點(diǎn),并以此劃分人臉區(qū)域?yàn)?個(gè)局部人臉塊.基于多層次分類策略,利用全局人臉訓(xùn)練全局網(wǎng)絡(luò),完成測試樣本預(yù)分類.利用局部人臉塊訓(xùn)練局部網(wǎng)絡(luò),在候選類別中完成最終分類.實(shí)驗(yàn)表明,結(jié)合局部特征與全局特征的模型可以取得較好的識(shí)別率,對(duì)光照、表情、姿態(tài),遮擋等影響因素具有較好的魯棒性,并且加入池化層及兩步判別的算法可以有效提高識(shí)別率.
[Abstract]:The deep learning model can obtain more discriminating facial features and improve the performance of face recognition. Therefore, this paper proposes a multi-level deep network fusion feature extraction model based on the idea of deep learning. Based on the depth subspace, "convolution-pooling" network structure is adopted to preserve image texture information while reducing the feature dimension, and to obtain the robustness of local conversion. At the same time, face feature points are obtained by face calibration algorithm, and face regions are divided into five local face blocks. Based on multi-level classification strategy, global face training global network is used to complete pre-classification of test samples. Local face blocks are used to train local networks to complete final classification in candidate categories. Experiments show that the model combined with local features and global features can achieve a good recognition rate, and has good robustness to illumination, expression, posture, occlusion and other influencing factors. Adding pool layer and two-step discriminant algorithm can effectively improve the recognition rate.
【作者單位】： 燕山大學(xué)信息科學(xué)與工程學(xué)院;
【基金】：國家自然科學(xué)基金項(xiàng)目(No.61071199) 河北省自然科學(xué)基金項(xiàng)目(No.F2016203422)資助~~
【分類號(hào)】：TP391.41

【參考文獻(xiàn)】

相關(guān)期刊論文 前1條

1 郭麗麗;丁世飛;;深度學(xué)習(xí)研究進(jìn)展[J];計(jì)算機(jī)科學(xué);2015年05期

【共引文獻(xiàn)】

相關(guān)期刊論文 前10條

1 劉家益;鄒益民;;近70年文本自動(dòng)摘要研究綜述[J];情報(bào)科學(xué);2017年07期

2 陶崢嶸;;基于機(jī)器學(xué)習(xí)的行人檢測[J];電子技術(shù);2017年06期

3 胡正平;何薇;王蒙;孫哲;;多層次深度網(wǎng)絡(luò)融合人臉識(shí)別算法[J];模式識(shí)別與人工智能;2017年05期

4 劉世偉;呂景楠;莫蘭;;基于客戶投訴信息的創(chuàng)新預(yù)測方法研究[J];移動(dòng)通信;2017年08期

5 侯宇青陽;全吉成;王宏偉;;深度學(xué)習(xí)發(fā)展綜述[J];艦船電子工程;2017年04期

6 陳志軒;周大可;黃經(jīng)緯;;基于卷積神經(jīng)網(wǎng)絡(luò)的表情不變?nèi)S人臉識(shí)別[J];電子測量技術(shù);2017年04期

7 馬小晴;桑慶兵;;基于LBP和深度學(xué)習(xí)的手寫簽名識(shí)別算法[J];量子電子學(xué)報(bào);2017年01期

8 管皓;薛向陽;安志勇;;在線單目標(biāo)視頻跟蹤算法綜述[J];小型微型計(jì)算機(jī)系統(tǒng);2017年01期

9 楊迪威;邊家文;張玉潔;;多元向量值函數(shù)求導(dǎo)的矩陣表示及其在人工神經(jīng)網(wǎng)絡(luò)中的應(yīng)用[J];海南大學(xué)學(xué)報(bào)(自然科學(xué)版);2016年04期

10 劉棟;李素;曹志冬;;深度學(xué)習(xí)及其在圖像物體分類與檢測中的應(yīng)用綜述[J];計(jì)算機(jī)科學(xué);2016年12期

【二級(jí)參考文獻(xiàn)】

相關(guān)期刊論文 前7條

1 聶仁燦;姚紹文;周冬明;;基于簡化脈沖耦合神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別[J];計(jì)算機(jī)科學(xué);2014年02期

2 余凱;賈磊;陳雨強(qiáng);徐偉;;深度學(xué)習(xí)的昨天、今天和明天[J];計(jì)算機(jī)研究與發(fā)展;2013年09期

3 ;MIT technology Review EmTECH[J];科技創(chuàng)業(yè);2013年08期

4 趙元慶;吳華;;多尺度特征和神經(jīng)網(wǎng)絡(luò)相融合的手寫體數(shù)字識(shí)別[J];計(jì)算機(jī)科學(xué);2013年08期

5 孫志軍;薛磊;許陽明;;基于深度學(xué)習(xí)的邊際Fisher分析特征提取算法[J];電子與信息學(xué)報(bào);2013年04期

6 李海峰;李純果;;深度學(xué)習(xí)結(jié)構(gòu)和算法比較分析[J];河北大學(xué)學(xué)報(bào)(自然科學(xué)版);2012年05期

7 孫志軍;薛磊;許陽明;王正;;深度學(xué)習(xí)研究綜述[J];計(jì)算機(jī)應(yīng)用研究;2012年08期

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 鄒婷;下一代通信“網(wǎng)絡(luò)融合與匯聚國際論壇暨峰會(huì)”[J];世界電信;2004年06期

2 嚴(yán)益強(qiáng);固網(wǎng)與3G網(wǎng)絡(luò)融合規(guī)劃研究[J];通信世界;2005年13期

3 帥o，

本文編號(hào)：2466692