發(fā)布時間：2021-01-30 14:17

　　人臉識別是模式識別和人工智能領(lǐng)域具有挑戰(zhàn)性的課題之一,廣泛應(yīng)用于信息安全、金融安全以及公共安全,產(chǎn)生了巨大的經(jīng)濟效益和社會效益。但是,由于原始人臉圖像的數(shù)據(jù)維度較高,而且在采集過程中容易受到諸如噪聲、光照、遮擋、姿態(tài)等干擾,無法直接進行匹配與識別。因此,人臉表征的好壞直接影響到了后續(xù)分類的精度。如何對原始圖像進行高效的表征,抽取合適的特征加以合理利用,是圖像分類領(lǐng)域的一個核心問題。稀疏表示作為一種新興的特征表示方法,能夠有效解決實際應(yīng)用中存在的信息冗余量大、計算復(fù)雜度高與可解釋性差等問題,近年來廣泛應(yīng)用于人臉識別,成為圖像分類領(lǐng)域的一個研究熱點,大量基于稀疏表示、協(xié)同表示的人臉識別框架被提出。同時,深度學(xué)習(xí)理論的出現(xiàn)及其算法的迅速發(fā)展,展示了其利用大量數(shù)據(jù)對圖像特征描述的優(yōu)良特性,使得基于特征提取的深度學(xué)習(xí)模型成為圖像識別和分類領(lǐng)域中的研究熱點。因此,本文將以人臉識別為例,針對非限制環(huán)境下,影響人臉成像的眾多內(nèi)因和外因（諸如噪聲、光照、遮擋、姿態(tài)）,進一步研究基于協(xié)同表示和深度學(xué)習(xí)的圖像分類技術(shù),達到獲取高效的圖像特征表示、提升系統(tǒng)分類性能的目的。針對上述問題,本文深入研究和分析了基于... 

【文章來源】：江南大學(xué)江蘇省 211工程院校 教育部直屬院校

【文章頁數(shù)】：69 頁

【學(xué)位級別】：碩士

【部分圖文】：

一個完整的人臉識別系統(tǒng)的主要組成

第一章緒論3別領(lǐng)域不斷精進和突破。同時，國內(nèi)很多互聯(lián)網(wǎng)企業(yè)也投入大量人力和資金，涌現(xiàn)了越來越多優(yōu)秀的研究團隊，例如：騰訊、阿里巴巴、百度、曠視科技、商湯科技等等，他們逐漸在國際舞臺上嶄露頭角。圖像特征的表示也經(jīng)歷了底層特征和特征學(xué)習(xí)兩個階段[4]，如下圖1-2所示。底層特征，顧名思義就是圖像最基礎(chǔ)的視覺特性，如顏色、形狀、紋理等等，經(jīng)過人工設(shè)計選擇圖像特征。而圖像的特征學(xué)習(xí)則是試圖從大量的數(shù)據(jù)中經(jīng)過不斷優(yōu)化學(xué)習(xí)得到圖像之間所共有的深層屬性，直接從原始像素出發(fā)，即使是不同類型的圖像，也可以采用相類似的結(jié)構(gòu)進行特征提取，使得圖像的特征提取在方法上具有了一致性。圖1-2圖像特征表示的兩個階段綜合相關(guān)文獻，人臉識別中關(guān)于特征的研究可以大致分為以下幾個發(fā)展方向：（1）基于幾何特征（GeometricFeature）的方法該類方法屬于早期的人臉識別方法，需要人為提取面部五官的幾何結(jié)構(gòu)進行判別，自動化程度低，必須手工定位，雖然會因此對光照變化具有一定的魯棒性，但在實際應(yīng)用中還是不常使用。美國德克薩斯大學(xué)的Bledsoe[5][6]首先提出利用五官之間的幾何距離及比例作為特征，開發(fā)了第一個基于幾何特征的半自動人臉識別系統(tǒng)，算法識別速度較快，但丟失了局部特征和紋理信息，導(dǎo)致識別精度不高。（2）基于子空間的方法該類方法屬于人臉識別快速發(fā)展階段的成果，該階段涌現(xiàn)出一系列經(jīng)典的理論與算法。基本思想是將每張人臉圖像看成一個矩陣，經(jīng)過相應(yīng)變換得到一個新的投影矩陣，即將原始人臉數(shù)據(jù)從高維空間投影到低維子空間，從而完成降維，最后在低維子空間完成分類。例如，1991年提出的“特征臉（Eigenface）”方法[7]，首先計算得到人臉圖像的協(xié)方差矩陣，抽取出特征向量和特征值，然后利用主成成分?

第一章緒論5結(jié)合原始樣本與鏡像人臉的分類算法（IntegratetheOriginalFaceImageanditsMirrorImageforFaceRecognition，IOMFR）[20]是基于人臉圖像的對稱相似屬性提出的。顧名思義，其基本思想是分別提取樣本的左右兩個半邊臉進行自我復(fù)制，分別構(gòu)成兩個虛擬的鏡像人臉樣本，從而達到擴充訓(xùn)練樣本集合、豐富數(shù)據(jù)變化、提升算法識別精度的目的。圖1-3基于稀疏表示的人臉識別方法的常規(guī)流程（4）基于深度學(xué)習(xí)的人臉識別方法從2014年開始，隨著深度學(xué)習(xí)的大熱，一系列以深度神經(jīng)網(wǎng)絡(luò)（DeepNeuralNetworks，DNN）[21]為基礎(chǔ)的人臉識別框架相繼被提出。Facebook公司于2014年提出的DeepFace網(wǎng)絡(luò)[22]，可謂是基于深度學(xué)習(xí)的人臉識別方法的奠基之作。該網(wǎng)絡(luò)在4000個人的總共400萬張圖像上做訓(xùn)練，最終學(xué)習(xí)出的模型在LFW[23]測試集上取得了97.25%的準(zhǔn)確率，首次與人類持平。同年，香港中文大學(xué)的湯曉鷗團隊相繼提出DeepID[24]、DeepID2[25]、DeepID3[26]三種模型來進行人臉識別，均使用了VGGnet[27]和GoogleLeNet[28]兩種深度神經(jīng)網(wǎng)絡(luò)框架，使得識別率進一步提升。Google公司于2015年提出FaceNet網(wǎng)絡(luò)[30]，該網(wǎng)絡(luò)在2億萬張人臉圖像上做訓(xùn)練，最終在LFW數(shù)據(jù)集上取得了99.63%的識別精度，已經(jīng)趕超人類識別精度。2017年，騰訊優(yōu)圖實驗室在國際權(quán)威人臉識別數(shù)據(jù)庫LFW上提交的成績?yōu)?9.80%，再次刷新人臉識別的世界紀(jì)錄，獲得無限制條件下人臉驗證測試（UnrestrictedLabeledOutsideData）第一名�？傮w說來，人臉識別領(lǐng)域因為深度學(xué)習(xí)的應(yīng)用進入了一個新的階段。Z.Wang等人[29]認(rèn)為，深度神經(jīng)網(wǎng)絡(luò)（DNN）和主成分分析（PCA）、稀疏編碼（SparseCoding）等眾多耳熟能詳?shù)哪Ｐ筒o二致，都屬于機器學(xué)習(xí)中特征學(xué)習(xí)（FeatureLearning）范?

【參考文獻】：
期刊論文
[1]基于二次學(xué)習(xí)的半監(jiān)督字典學(xué)習(xí)軟件缺陷預(yù)測[J]. 張志武,荊曉遠,吳飛.  模式識別與人工智能. 2017(03)
[2]基于鑒別性低秩表示及字典學(xué)習(xí)的魯棒人臉識別算法[J]. 趙雯,吳小俊.  計算機應(yīng)用研究. 2017(10)
[3]基于稀疏表征的單樣本人臉識別[J]. 暢雪萍,鄭忠龍,謝陳毛.  計算機工程. 2010(21)

碩士論文
[1]基于深度學(xué)習(xí)和稀疏表示的圖像分類與檢索方法研究[D]. 焦鵬飛.西安理工大學(xué) 2019
[2]基于深度神經(jīng)網(wǎng)絡(luò)的特征提取算法及其應(yīng)用研究[D]. 李蓓蓓.江南大學(xué) 2018
[3]表示分類學(xué)習(xí)新方法及其在人臉識別中的應(yīng)用[D]. 那天.江南大學(xué) 2018



本文編號：3009047