论文部分内容阅读
传统的特征都是人工选取,例如SIFT,HOG等等,但是人工选取特征是一件非常费力事情,并且选取特征的好坏很大程度上依赖于经验和运气,而深度学习是一种无监督学习自动学习特征的方法,可以更好的表达样本。人脸识别以其所具有的非侵入性、便捷性、安全性等特性拥有着广阔的应用前景和科研价值,因此使用深度学习方法的对人脸识别进行研究,可以在光照、表情、姿态以及低分辨率等问题进行改进。
本文利用稀疏自编码神经网络和softmax分类器构建深度层次网络,并对该深度层次网络进行了训练。为了验证本文方法的识别率,分别在ORL、Yale、Yale-B以及PERET人脸数据库上做算法测评,测试内容有softmax分类器人脸识别、深度网络顶层微调算法和深度网络整体微调算法三个方面。对各个数据库的人脸图像进行的预处理有直方图均衡化、非局部均值算法、小波变换处理、Retinex图像增强算法以及同态滤波算法。另外,使用深度网络整体微调算法对低分辨率问题做了进一步验证。最后,利用matlab GUI编程实现一个基于稀疏自编码神经网络和softmax分类器的人脸识别系统,该系统的深度层次网络的层次和节点可调,且具备完整的识别功能。实验结果表明深度学习方法对原始数据具有高效准确的抽象表达,在光照、表情、姿态以及低分辨率的条件下取得了良好的表现,尤其是在低分辨率的情况下。
本文利用稀疏自编码神经网络和softmax分类器构建深度层次网络,并对该深度层次网络进行了训练。为了验证本文方法的识别率,分别在ORL、Yale、Yale-B以及PERET人脸数据库上做算法测评,测试内容有softmax分类器人脸识别、深度网络顶层微调算法和深度网络整体微调算法三个方面。对各个数据库的人脸图像进行的预处理有直方图均衡化、非局部均值算法、小波变换处理、Retinex图像增强算法以及同态滤波算法。另外,使用深度网络整体微调算法对低分辨率问题做了进一步验证。最后,利用matlab GUI编程实现一个基于稀疏自编码神经网络和softmax分类器的人脸识别系统,该系统的深度层次网络的层次和节点可调,且具备完整的识别功能。实验结果表明深度学习方法对原始数据具有高效准确的抽象表达,在光照、表情、姿态以及低分辨率的条件下取得了良好的表现,尤其是在低分辨率的情况下。