人臉是一種相對穩(wěn)定的生物特征,也是一種安全度比較高的身份認證方式。由于應用前景廣闊,人臉識別引起了很多學者的研究興趣。到目前為止,研究人員提出了很多識別算法,其中有些算法逐步成熟,已經(jīng)在安保、金融以及無人駕駛等領(lǐng)域得到了實際應用。近年來,基于深度學習的人臉識別成為熱點并且得到了很高的識別率。但基于深度學習的人臉識別算法模型訓練時間長,計算復雜性高并要占用大量的計算資源。針對此問題,本文基于寬度學習這一新的機器學習方法,研究了人臉識別問題,主要工作如下:首先,提出了一種基于寬度學習的人臉識別算法。該算法首先利用灰度直方圖均衡化消除光照的影響,再用Fisher鑒別準則提取人臉特征形成Fisher特征臉,所得到的特征作為寬度學習網(wǎng)絡(luò)的輸入用于訓練寬度模型。由于寬度學習網(wǎng)絡(luò)是單隱層網(wǎng)絡(luò),采用最小二乘類算法訓練,訓練時間大大縮短。另外,除了直接輸入的人臉Fisher特征外,寬度網(wǎng)絡(luò)的特征增強層還進一步將Fisher特征進一步增強,間接利用了人臉的深層次特征。實驗結(jié)果表明,本算法在占用較少計算資源的情況下,獲得了較高的識別準確率。其次,提出了一種基于寬度學習的表情識別算法。與文獻中的其他算法不同,... 

【文章來源】：燕山大學河北省

【文章頁數(shù)】：58 頁

【學位級別】：碩士

【部分圖文】：

不同分

燕山大學工學碩士學位論文征向量重構(gòu)出的特征臉。圖像的原始尺寸為112×92，從圖中可以看到，隨著特征向量數(shù)量的增加，特征臉越清晰。在輪廓特征方面，圖2-1（f）得到的特征臉幾乎等于原始圖像，此時的數(shù)據(jù)維度為1×92。達到了降維的效果。a)原始圖像b)20個特征向量c)30個特征向量d)50個特征向量e)80個特征向量f)92個特征向量圖2-1不同分辨率圖像2.1.2LDA特征提取LDA作為一種經(jīng)典的特征提取方法。通過計算最小化類內(nèi)散度矩陣和最大化類間散度矩陣，在線性的子空間內(nèi)尋找出投影的最佳方向。通過加入人臉標簽實現(xiàn)監(jiān)督式學習，能夠提取到樣本類間存在的信息。圖2-2展示了兩類樣本通過LDA尋找到最佳的投影方向。22.533.544.555.5602468圖2-2LDA尋找投影方向假設(shè)，樣本訓練集為V=(v1,v2,...,vm),V∈Rn×m，其中，n為像素值，m為-12-


本文編號：3513068