论文部分内容阅读
人脸识别是生物特征识别的热门研究领域之一。随着机器学习和深度卷积神经网络的发展,人脸识别的各类传统人脸特征和特征提取方式已经多样化。人脸识别的难题是姿态、表情、光照变化问题,传统人脸特征相对单一且在大姿态和表情变化下性能不佳,深度网络使用光照良好的人脸图像进行训练,对剧烈光照变化效果不佳。本文对典型的传统Gabor特征和典型深度特征进行研究并进行不同层次的特征融合,提出的人脸识别方法如下:首先,针对单一的Gabor人脸特征在姿态、表情、光照变化下效果不佳的问题,提出了基于Gabor小波特征和核函数融合的人脸识别方法。通过融合方法将二维Gabor小波提取的不同尺度、方向的Gabor特征进行前期融合,使用支持向量机的rbf和linear核函数进行后期融合并使用KMOD算法确定核函数之间的参数。最终实验结果表明融合后的人脸识别方法能够提高机器学习的传统人脸识别效果。其次,鉴于互补深度特征的融合能够提高单一特征性能,设计了基于Facenet稀疏表示和卷积网络集成的人脸识别方法。具体表现为将Facenet的卷积特征和稀疏表示结合,提出了基于Facenet稀疏表示的人脸识别方法,通过Facenet卷积特征构建归一化字典实现稀疏表示分类;融合softmax loss和center loss损失函数,在Facenet预训练模型上重新训练并比较人脸验证和识别效果;最后通过硬投票策略将基于Facenet稀疏表示的人脸识别方法和不同卷积网络集成,以提高人脸识别效果。最终的实验结果表明,集成方法能够在各个卷积网络模型的基础上使识别率进一步提升。最后,针对深度神经网络对剧烈光照变化性能不佳的问题,提出了基于GIR特征和卷积特征融合的人脸识别方法。GIR模型用于人脸图像的光照处理,获得GIR特征。根据光照处理过程中局部区域的不同,GIR特征又可以分为EGIR-Face和BGIR-Face人脸特征。将GIR特征分别与Facenet、Insigtface、Resnet50的卷积特征通过距离度量进行融合,通过最近邻分析实现人脸识别。使得卷积网络可以获得GIR模型优势,在人脸识别过程中更加侧重于光照这一影响因素。最终实验结果表明融合GIR特征和卷积特征的人脸识别方法确实能够提升严重光照变化下的人脸识别效果。本文使用的数据集分别为ORL、Ext Yale B、LFW数据集,根据对比实验的结果可以发现本文提出的方法确实提高了人脸识别效果。