论文部分内容阅读
针对非限制性条件下的人脸识别存在自由度高、干扰因素复杂等技术难点,引入深度学习理论,提出了一种基于深度信念网络(DBNs)的非限制性人脸识别算法模型。基于相对熵稀疏性限制和dropout机制等方法,设计了优化算法。针对实际使用场合中样本量不足的问题,提出了一种混合DBNs模型,该模型采用CNNs深度卷积网络生成训练DBNs所需的模拟样本。标准人脸库下的实验结果表明,DBNs模型的平均识别率为97.0%,混合DBNs模型的平均识别率为90.3%,满足实际使用需求。