论文部分内容阅读
随着计算机技术的发展和互联网的普及,各个领域的对信息化交流过程中的身份认证提出了更高的要求。因为具有非接触识别、稳定、高效、以及系统硬件成本低的特点,生物识别技术中的人脸识别已成为身份认证领域的重要研究课题。人脸识别通常包含几何特征法、特征脸法、模板匹配法等方法。随着神经网络的研究与发展,基于神经网络的人脸识别方法已成为当前人脸识别领域的研究热点之一。本文针对人脸识别中应用的神经网络算法研究主要从两个方面展开。反向传播(Backward propagation,BP)神经网络。BP神经网络是人脸识别应用中比较常见的神经网络,本文结合主成份分析法(PCA)、直方图均衡化离散小波变换以及BP神经网络设计了一种人脸识别系统。为了研究BP神经网络在人脸识别系统中的性能,构造了两个BP神经网络分类器:分类器-1和分类器-2。通过对采用不同BP神经网络分类器人脸识别系统的仿真发现,在这种人脸识别系统中,特征提取方法对BP神经网络的人脸分类能力影响很大,并且BP神经网络的泛化能力较差,即对未训练“学习”过的人脸识别准确率远低于训练过的人脸。然而,BP神经网络输出的离散化即训练数据标签的稀疏化,能够增强BP神经网络的分类能力,提到其泛化能力。卷积神经网络(Convolutional Neural Network,CNN)。本文首先采用 CMU_PIE 人脸库对基于LeNet-5模型的卷积神经网络进行人脸识别训练;然后针对该网络出现的过拟合、收敛速度慢以及识别准确率不高的问题进行了激活函数优化和网络结构改进,并提出了一种新型的 LeNet-FC(LeNet Improved Face Recognition,LeNet-FC)卷积神经网络模型。该模型采用优化的对数—修正线性单元(Logarithmic Rectified Linear Unit,L-ReLU)激活函数,结构相比于基于LeNet-5模型的CNN网络层数增加,而卷积核缩小,并且采用了 dropout技术。最后经过网络目标输出的离散化,也就是数据标签稀疏化,LeNet-FC模型在人脸识别训练中对测试数据的人脸准确率达到了 99.85%。与基于LeNet-5模型的CNN相比,LeNet-FC模型的人脸识别能力更高,同时具有很强的泛化能力。最后,本文基于LeNet-FC卷积神经网络模型设计了一个人脸识别系统。该系统通过LeNet-FC中的卷积层和池化层进行人脸特征提取,以对比特征的欧式距离的方式实现人脸识别。根据该系统在采用ORL人脸库的仿真测中人脸识别准确率达到了 96%可知,LeNet-FC模型在实际的人脸识别系统中具有较高的性能。在ORL人脸库、MIT人脸库和AR人脸库上的系统性能仿真测试表明,该系统因对光照差异、微表情和微小姿态变化具有比较强的鲁棒性而具备良好的识别能力。