多角度人脸识别是模式识别中极具挑战性的课题,在军用和民用领域有着广阔的应用前景,其目的是让计算机等机器能够自动辨认出各个角度的人脸图像。由于人脸的复杂性和微妙性,图像中人脸的角度、表情差异很大,给人脸识别带来了很大的挑战。近年来,深度学习在图像识别领域取得了较好的识别效果,因此,本文在深入研究了自编码器模型之后,提出了一些改进的方法和措施。本文的主要工作内容如下:本文提出了基于自编码器的多角度人脸图像识别方法,其中包括两部分:基于自编码器人脸图像的旋转模型设计,多角度人脸的识别过程。1.基于自编码器人脸图像的旋转模型的训练过程分为两部分,第一部分自编码器的初始化,输入的是各个角度的人脸图像,从自编码器的输入层到中间层,将相邻两层看作受限波尔兹曼机,逐层训练每个受限波尔兹曼机。将训练后的所有受限波尔兹曼机堆叠得到自编码器,并用训练受限波尔兹曼机得到的权值和偏置作为自编码器的初始化权值和偏置;第二部分是有监督微调,输入的是各个角度的人脸图像,自编码器的标签输出是标准的正面人脸图像,使用反向传播算法逐层调整自编码器各层的权值和偏置,直到实际输出与期望输出的交叉熵达到最小。2.利用训练好的自编码器将测试人脸集中侧面人脸图像重建成标准正面人脸图像,然后利用这些重建的正面人脸图像进行识别。基于自编码器的多角度人脸识别模型分为2个识别过程:第一个过程使用重建的正面人脸图像,使用欧氏距离、LDA等方法进行识别。第二个过程将新用户的侧面人脸图像和标准正面人脸图像,输入到训练好的自编码器中,得到最低维度的显著性特征,使用显著性特征进行识别。最后为了验证自编码器模型的效果进行了大量的实验,实验从不同的角度测试了自编码器模型的性能。结果表明,自编码器模型可以得到非常好的人脸识别效果,识别过程更加智能化。并且对本方法今后改进提出了一定的建议。