基于深度學(xué)習(xí)的多形態(tài)人臉識(shí)別.pdf

1、現(xiàn)在流行的一些機(jī)器學(xué)習(xí)方法大部分使用的是淺層結(jié)構(gòu)，包括只有一個(gè)隱藏層的神經(jīng)網(wǎng)絡(luò)、核回歸、支撐向量機(jī)等其他方法。心理學(xué)研究表明，在樣本和計(jì)算單元有限的情況之下，這些淺層的結(jié)構(gòu)對(duì)比較復(fù)雜函數(shù)的表示能力是有限的，當(dāng)輸入信號(hào)為視覺信息時(shí)淺層結(jié)構(gòu)表現(xiàn)出更強(qiáng)的制約現(xiàn)象。深度學(xué)習(xí)能夠?qū)崿F(xiàn)對(duì)復(fù)雜的視覺信息的分布式表示，通過(guò)多層次的網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)深度的本質(zhì)信息，逼近現(xiàn)實(shí)的復(fù)雜數(shù)據(jù)結(jié)構(gòu)，體現(xiàn)出抽取輸入的樣本數(shù)據(jù)的本質(zhì)特征的能力。受到多種因素的制約，如姿態(tài)變化

2、、表情變化以及分辨率低的影響，造成許多算法對(duì)人臉圖像識(shí)別性能的大幅度下降，尤其是姿態(tài)變化帶給人臉識(shí)別問題巨大的挑戰(zhàn)，因此本文利用非線性的深度神經(jīng)網(wǎng)絡(luò)的方法，針對(duì)具有姿態(tài)、表情和分辨率單一或多變化情況下，提出了一種基于非線性深度網(wǎng)絡(luò)的多形態(tài)人臉識(shí)別算法。
　　本文利用深度網(wǎng)絡(luò)，將高維的原始數(shù)據(jù)映射成低維的特征數(shù)據(jù)，令同一個(gè)人的不同形態(tài)的圖像盡可能聚集在一起。通過(guò)兩個(gè)結(jié)構(gòu)相同的神經(jīng)網(wǎng)絡(luò)，分別將正面人臉圖像和側(cè)面人臉圖像映射到低維特征空

3、間，保持局部的鄰域信息，實(shí)現(xiàn)了具有多形態(tài)的人臉識(shí)別方法。實(shí)驗(yàn)驗(yàn)證了基于深度神經(jīng)網(wǎng)絡(luò)的非線性映射模型，可以學(xué)習(xí)到具有不同表情、分辨率的側(cè)面人臉圖像和無(wú)表情的高分辨率的正面人臉圖像之間的一個(gè)全局映射，保持原始空間和特征空間中樣本點(diǎn)附近的局部的鄰域結(jié)構(gòu)。本文首先在非人臉數(shù)據(jù)庫(kù)上進(jìn)行了鄰域?qū)嶒?yàn)和識(shí)別實(shí)驗(yàn)，驗(yàn)證圖像數(shù)據(jù)點(diǎn)在映射前后的鄰域保持率。接下來(lái)在不同的人臉數(shù)據(jù)庫(kù)上完成與其他一些算法的對(duì)比，證明我們的非線性局部保持算法對(duì)多姿態(tài)的人臉識(shí)別具有非