基于深度學(xué)習(xí)混合模型的人臉檢測(cè)算法研究.pdf

1、人臉檢測(cè)技術(shù)是模式識(shí)別領(lǐng)域的重要研究課題之一。在實(shí)際應(yīng)用中，采集到的人臉圖像往往會(huì)受到周?chē)h(huán)境的影響，造成人臉檢測(cè)中的姿態(tài)變化、遮擋和復(fù)雜背景等問(wèn)題，導(dǎo)致人臉檢測(cè)的準(zhǔn)確性和魯棒性有時(shí)不能滿足實(shí)際應(yīng)用的需求。結(jié)合深度學(xué)習(xí)理論，本文提出了一種基于深度學(xué)習(xí)混合模型的人臉檢測(cè)算法。通過(guò)建立深度學(xué)習(xí)混合模型，利用各特征之間的強(qiáng)相互關(guān)系學(xué)習(xí)人臉局部特征及位置，期望以此減少部分遮擋和多姿態(tài)對(duì)人臉檢測(cè)造成的影響。本文主要研究?jī)?nèi)容如下：
　　1.首

2、先結(jié)合深度學(xué)習(xí)理論，從特征提取、訓(xùn)練和收斂時(shí)間等角度對(duì)深度學(xué)習(xí)的三種結(jié)構(gòu)及其典型模型進(jìn)行了分析、研究。其次，從分類(lèi)誤差和收斂性?xún)煞N角度對(duì)深度置信網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)兩種方法進(jìn)行了仿真對(duì)比實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明，使用卷積神經(jīng)網(wǎng)絡(luò)方法的分類(lèi)誤差百分比在整體上要低于使用深度置信網(wǎng)絡(luò)方法的分類(lèi)誤差百分比，但在收斂速度上，深度置信網(wǎng)絡(luò)的收斂速度要優(yōu)于卷積神經(jīng)網(wǎng)絡(luò)的收斂速度。因此，根據(jù)兩種典型模型的優(yōu)點(diǎn)與不足，本文構(gòu)建了一種卷積池化受限玻爾茲曼機(jī)模型單元

3、，將卷積神經(jīng)網(wǎng)絡(luò)中的卷積層和池化層加入到受限玻爾茲曼機(jī)中的隱藏層中，構(gòu)建深度學(xué)習(xí)混合模型的基本單元。改進(jìn)后的網(wǎng)絡(luò)無(wú)需預(yù)處理就可以直接輸入原始圖像，其結(jié)構(gòu)更符合圖像輸入的拓?fù)浣Y(jié)構(gòu)，更適合對(duì)圖像的訓(xùn)練學(xué)習(xí)。
　　2.針對(duì)單一深度模型在解決人臉檢測(cè)部分遮擋時(shí)出現(xiàn)學(xué)習(xí)效率低、人臉檢測(cè)誤檢率高等問(wèn)題，提出了一種基于深度學(xué)習(xí)的混合模型—卷積池化深度置信網(wǎng)絡(luò)(Convolutional pooling deep belief network,C