论文部分内容阅读
在研究人脸识别技术的过程中,针对浅度特征(LBP、 SIFT、 HOG、 Gabor等)对人脸特征表达效果不理想的问题,提出了一种基于多特征融合的深度学习人脸识别方法。该方法首先要用局部二值算法提取人脸局部纹理特征,然后对深度网络模型进行构建,并利用深度卷积网络的共享权值和池化、下采样等技术降低模型的复杂度。在构建后的模型顶层形成人脸图像特征分类面,通过训练后得到完好的深度网络模型,利用该模型对人脸图像进行特征提取,能够有效的完成对人脸图像的识别。实验效果很好的证明了基于多特征融合的深度学习人脸识别方法对人脸特征表达效果良好,显著提高了人脸识别的准确率。本文首先介绍人脸识别的基本原理,描述人脸识别处理的流程和常见的方法。阐述深度学习的原理和理论,详细分析三种常见的深度网络模型,并通过对手写字符识别进行比较它们的性能和实验效果,探讨模型的大小对深度网络模型的性能和实验效果的影响。接着描述浅度特征局部二值模式(LBP)的基本原理,并通过对人脸识别进行研究探讨LBP模型的鲁棒性特性和实验效果。最后着重研究多特征融合的深度网络模型对人脸识别的方法,并通过实验对不同的人脸识别方法进行对比。本文的主要工作如下:1、对深度学习中常用的特征提取算法进行剖析,分析各算法的优缺点。通过仿真实验对各算法的特征表达效果及运行时间进行对比,并对实验结果进行分析。阐述了深度学习的由来、发展现状以及尚未解决的理论性问题。2、研究深度学习在人脸识别中的应用。将融合深度特征和浅度特征应用于人脸识别。该方法首先要用局部二值算法提取人脸局部纹理特征,对深度网络模型进行构建,并利用卷积网络共享权值和池化、下采样等降低模型的复杂度。弥补了传统浅度特征的不足。