基于局部特征的卷積神經(jīng)網(wǎng)絡(luò)人臉識別方法研究.pdf

1、深度學(xué)習(xí)是近十年來人工智能領(lǐng)域最重要的突破之一，基于深度卷積神經(jīng)網(wǎng)絡(luò)模型的人臉識別研究取得了顯著的進(jìn)步，開始進(jìn)入工業(yè)應(yīng)用階段。但是，現(xiàn)有的基于卷積神經(jīng)網(wǎng)絡(luò)的人臉識別技術(shù)普遍需要大量的訓(xùn)練樣本，在訓(xùn)練樣本較少的場景下，卷積神經(jīng)網(wǎng)絡(luò)的識別精度就會大幅下降。本文提出了將人工設(shè)計的局部特征代替原始圖像作為卷積網(wǎng)絡(luò)的輸入，用于卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和識別，能夠一致性地提高卷積神經(jīng)網(wǎng)絡(luò)的識別精度，在訓(xùn)練樣本數(shù)量受限的場景下，對于識別精度的提升更為明顯。

2、本文的主要創(chuàng)新點總結(jié)如下：
　　1)在LDP特征描述子的基礎(chǔ)上，用圓形鄰域代替方形鄰域，使得擴(kuò)展的LDP特征描述子能夠滿足多尺度、多角度的特征描述需求。LDP特征作為LBP特征在高階方向上的擴(kuò)充，缺乏對不同頻率特征進(jìn)行描述的能力，本文對LDP特征進(jìn)行了擴(kuò)展，能夠多尺度、多角度地描述目標(biāo)特征。
　　2)LeNet-liked卷積神經(jīng)網(wǎng)絡(luò)簡化了LeNet-5的網(wǎng)絡(luò)結(jié)構(gòu)，能夠加快網(wǎng)絡(luò)的訓(xùn)練和識別。LeNet-5網(wǎng)絡(luò)是用于手寫體識別

3、的一個著名的卷積神經(jīng)網(wǎng)絡(luò)，具有網(wǎng)絡(luò)復(fù)雜度小，識別精度高的特點。本文改進(jìn)了LeNet-5卷積網(wǎng)絡(luò)以執(zhí)行人臉識別任務(wù)，實驗表明，LeNet-liked卷積神經(jīng)網(wǎng)絡(luò)在人臉識別任務(wù)中具有良好的識別性能。
　　為了驗證不同的網(wǎng)絡(luò)輸入類型對于網(wǎng)絡(luò)識別性能的影響，本文設(shè)計了多組對比實驗，并對不同輸入類型的網(wǎng)絡(luò)進(jìn)行分析，得出了如下結(jié)論：
　　1)對比基于局部特征（LBP特征、LDP特征）輸入和基于原始灰度圖像輸入的卷積網(wǎng)絡(luò)在不同人臉數(shù)據(jù)庫（

4、FRGC、Yale B+和LFW人臉數(shù)據(jù)庫）的識別性能。實驗表明，基于LBP特征輸入的卷積神經(jīng)網(wǎng)絡(luò)具有較好的識別率，在訓(xùn)練樣本數(shù)較少的情況下對識別率的提升更為明顯，在FRGC人臉數(shù)據(jù)庫的單訓(xùn)練樣本對LeNet-liked網(wǎng)絡(luò)進(jìn)行測試時，以LBP特征作為輸入的網(wǎng)絡(luò)的識別率為36.756％，而以原始灰度圖像作為輸入的網(wǎng)絡(luò)的識別率為4.125%。
　　2)本文從輸入特征自身屬性、網(wǎng)絡(luò)的中間層特征、網(wǎng)絡(luò)收斂速度和過擬合情況四個方面分析了不