人臉識(shí)別技術(shù)是生物特征識(shí)別的重要分支之一。人臉識(shí)別時(shí)特征提取的粒度信息變化,是一個(gè)由粗糙到精細(xì)的過(guò)程。在此過(guò)程中,特征變得更加有代表性,決策也將變得越來(lái)越容易,但是花費(fèi)的時(shí)間也隨之不斷增加。同時(shí),人臉識(shí)別也是一種典型的代價(jià)敏感問(wèn)題,一個(gè)沒(méi)有權(quán)限的人被錯(cuò)誤的允許進(jìn)入機(jī)密機(jī)構(gòu),會(huì)造成的巨大的損失。為了解決這一問(wèn)題,本文首先提出基于代價(jià)敏感分層極限學(xué)習(xí)機(jī)的圖像識(shí)別算法。分層極限學(xué)習(xí)機(jī)將多個(gè)極限學(xué)習(xí)機(jī)稀疏編碼器疊加進(jìn)行特征提取,再運(yùn)用極限學(xué)習(xí)機(jī)進(jìn)行分類。該算法具有計(jì)算復(fù)雜度低,準(zhǔn)確度高等優(yōu)點(diǎn)。文中分析了分層極限學(xué)習(xí)機(jī)的特征提取過(guò)程為由粗到細(xì)的連續(xù)粒度特征結(jié)構(gòu),并依此結(jié)合序貫三支決策方法分析決策成本和時(shí)間成本間的關(guān)系得到人臉識(shí)別的最小總代價(jià)。這一定程度上可以避免因信息不足時(shí)做出錯(cuò)誤決策而產(chǎn)生的巨大代價(jià)。序貫三支決策模仿人類動(dòng)態(tài)決策過(guò)程,在連續(xù)粒度結(jié)構(gòu)的每一層進(jìn)行三支決策。本文對(duì)多層極限學(xué)習(xí)機(jī)的每層分類中增加邊界域,通過(guò)對(duì)每一層網(wǎng)絡(luò)進(jìn)行貫序三支決策得到最小總成本。在保留極限學(xué)習(xí)機(jī)速度快、泛化性好的優(yōu)點(diǎn)的同時(shí)解決了分層極限學(xué)習(xí)機(jī)無(wú)法提供邊界和代價(jià)不敏感的問(wèn)題。通過(guò)對(duì)總體代價(jià)成本的計(jì)算,與其他傳統(tǒng)的深... 

【文章來(lái)源】：大連海事大學(xué)遼寧省 211工程院校

【文章頁(yè)數(shù)】：59 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖１．１人臉識(shí)別應(yīng)用實(shí)例??Ｆｉｇ．?１．１?Ｔｈｅ?ｅｘａｍｐｌｅ?ｏｆ?ｆａｃｅ?ｒｅｃｏｇｎｉｔｉｏｎ?ａｐｐｌｉｃａｔｉｏｎ??１．２國(guó)內(nèi)外研究現(xiàn)狀??

人提出基于極限??學(xué)習(xí)機(jī)最小均方的方法并提出相應(yīng)的極限學(xué)習(xí)機(jī)自編碼器（ｅｘｔｒｅｍｅ?ｌｅａｒｎｉｎｇ??ｍａｃｈｉｎｅ?ａｕｔｏ－ｅｎｃｏｄｅ，簡(jiǎn)稱ＥＬＭ－ＡＥ），這一方法同樣米取多層網(wǎng)狀結(jié)構(gòu)，但是無(wú)??需像傳統(tǒng)的深度學(xué)習(xí)網(wǎng)絡(luò)一樣運(yùn)用反向傳播算法對(duì)整體網(wǎng)絡(luò)進(jìn)行迭代調(diào)整，而是??利用極限學(xué)習(xí)機(jī)的算法理論在每一層對(duì)參數(shù)進(jìn)行訓(xùn)練，這一方法能夠有效的對(duì)數(shù)??據(jù)進(jìn)行降維和去噪［１５］，并且特征提取的速度也大大提高了。??數(shù)據(jù)輸入層?丨?卷積層?丨全連接層；魏??麵藝??卷積?特征映射??圖１．?２卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)??Ｆｉｇ．?１．２?Ｉｌｌｕｓｔｒａｔｉｏｎ?ｏｆ?ｔｈｅ?ｓｔｒｕｃｔｕｒｅ?ｏｆ?ａ?ＣＮＮ??局部特征相較于全局特征可以更好的處理光照、遮擋等噪聲。２００２年，Ｏｊａｌａ??�。保地岢隽司植慷的Ｊ剑ǎ欤铮悖幔�?ｂｉｎａｒｙ?ｐａｔｔｅｒｎｓ，簡(jiǎn)稱ＬＢＰ），這一方法可以表示圖??像局部的紋理特征。這一經(jīng)典的紋理描述方法在之后被學(xué)者們不斷地改進(jìn)和拓展，??如多尺度塊的局部二值模式％和將局部二進(jìn)制與近紅外圖像結(jié)合提出基于主動(dòng)近??紅外圖像人臉識(shí)別［１７］。２０１０年Ｔａｎ?Ｘ等人提出的局部三值模式是將局部二值模式??中的編碼值增加為三值，之后通過(guò)改變閾值和均值增強(qiáng)提出了局部紋理特征集的??局部二值模式［１８］提高光照條件差時(shí)的識(shí)別性能。２０１９年，丁蓮靜等人＿提出一種??加權(quán)信息熵與自適應(yīng)閾值環(huán)形局部二值模式算子相結(jié)合的人臉識(shí)別方法。Ｃｈｅｎ?Ｊ??等人？于２００８年提出了局部韋伯算子，其核心思想在于將人臉圖像上的所有像尜??－４?－??

＝＾Ｘ＞Ｊ－Ｘ，ｉｉ）２?（２．２）??ｉｊ??通過(guò)乘法更新規(guī)則對(duì)非負(fù)矩陣Ｍ和ｔｖ上對(duì)應(yīng)位置的元素進(jìn)行更新，交替迭代??優(yōu)化Ｍ和Ｗ后獲得局部最優(yōu)解。??Ｏｒｉｇｉｎａｌ??ＮＭＦ??ｆｆｅ－??一?人十■？卜?＿??Ｉ?１?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ??Ｉ?Ｉ??？一卜、—鏟１十？十卜＿????－棘‘冓?４－?＾?ｍＩ??Ｄ?：、：？?Ｉ一?十疆計(jì)?曬曬??？?］?ｒ?：?ｕ?１、ｘ?斗＿??ｒ－?＃??！－＊．��！?！?！?－１?ｎ￣ｎ？￣ｎ￣ｌ?Ｉ??圖２．?３非負(fù)矩陣分解算法提取特征示例??Ｆｉｇ．?２．３?Ｅｘａｍｐｌｅｓ?ｏｆ?ｆｅａｔｕｒｅ?ｅｘｔｒａｃｔｉｏｎ?ｂｙ?ＮＭＦ??局部二值模式提取局部的紋理特征用以表示圖像，擁有對(duì)圖片方向變化不敏??感、對(duì)灰度變化不敏感和能夠多分辨率分析等優(yōu)點(diǎn)。局部二值模式算子是將范圍??內(nèi)中心像素與鄰域半徑上的像素點(diǎn)進(jìn)行比較，并對(duì)結(jié)果進(jìn)行二進(jìn)制編碼。局部二??值模式算子的計(jì)算過(guò)程如下圖２．２所示：位于中心的像素值與周圍像素值比較大??小，當(dāng)中心像素為較小值時(shí)取０，否則�。伞⒈容^后得到的只有０和Ｉ的序列從??左上角按順時(shí)針順序組合得到一個(gè)二進(jìn)制數(shù)，轉(zhuǎn)化為十進(jìn)制后的數(shù)字就是這二區(qū)??域的特征值。?丨??丨８１９?１０１?二進(jìn)制序列為??１０１０１０００????２?６?９??？?０?１??？?１６８??５?２?４?０?０?０??圖２．?４局部二值模式的過(guò)程??Ｆｉｇ．?２．４?Ｔｈｅ?ｐｒｏｃｅｓｓ?ｏｆ?Ｌｏｃａｌ?Ｂｉｎａｒｙ?Ｐａｔｔｅｒｎｓ??－１３?－??

【參考文獻(xiàn)】：
期刊論文
[1]加權(quán)信息熵與增強(qiáng)局部二值模式結(jié)合的人臉識(shí)別[J]. 丁蓮靜,劉光帥,李旭瑞,陳曉文.  計(jì)算機(jī)應(yīng)用. 2019(08)
[2]基于ARM和深度學(xué)習(xí)的大數(shù)據(jù)指紋識(shí)別系統(tǒng)設(shè)計(jì)[J]. 張莉華.  湖南科技大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(01)
[3]基于深度網(wǎng)絡(luò)的人臉區(qū)域分割方法[J]. 杜星悅,董洪偉,楊振.  計(jì)算機(jī)工程與應(yīng)用. 2019(08)
[4]Robust sparse representation based face recognition in an adaptive weighted spatial pyramid structure[J]. Xiao MA,Fandong ZHANG,Yuelong LI,Jufu FENG.  Science China（Information Sciences）. 2018(01)
[5]一種新的低秩分塊稀疏表示的人臉識(shí)別算法[J]. 胡昭華,趙孝磊,徐玉偉,何軍.  數(shù)據(jù)采集與處理. 2015(05)



本文編號(hào)：3251631