推荐星级：
- 1
- 2
- 3
- 4
- 5
基于改进深层网络的人脸识别算法
资料介绍
目前的人脸识别算法在其特征提取过程中采用手工设计(hand-crafted)特征或利用深度学习自动提取特征.本文提出一种基于改进深层网络自动提取特征的人脸识别算法,可以更准确地提取出目标的鉴别性特征.算法首先对图像进行ZCA(Zero-mean Component Analysis)白化等预处理,减小特征相关性,降低网络训练复杂度.然后,基于卷积、池化、多层稀疏自动编码器构建深层网络特征提取器.所使用的卷积核是通过单独的无监督学习获得的.此改进的深层网络通过预训练和微调,得到一个自动的深层特征提取器.最后,利用Softmax回归模型对提取的特征进行分类.本文算法在多个常用人脸库上进行了实验,表明了其在性能上比传统方法和普通深度学习方法都有所提高.
部分文件列表
| 文件名 | 大小 |
| 基于改进深层网络的人脸识别算法.pdf | 2M |
部分页面预览
（完整内容请下载后查看）3
Vol. 45 No. 3
Mar. 2017
第
2017
期
电
子
ACTA ELECTRONICA SINICA
学
报
3
年
月
基于改进深层网络的人脸识别算法
，
，
李倩玉 蒋建国 齐美彬
(
，
230009)
合肥工业大学计算机与信息学院 安徽合肥
:
( hand－crafted)
特征或利用深度学习自动提取
摘
要
目前的人脸识别算法在其特征提取过程中采用手工设计
.
，
.
特征 本文提出一种基于改进深层网络自动提取特征的人脸识别算法 可以更准确地提取出目标的鉴别性特征 算法
ZCA( Zero－mean Component Analysis)
， ， . ，
白化等预处理 减小特征相关性 降低网络训练复杂度 然后 基
首先对图像进行
、
、
.
.
于卷积 池化 多层稀疏自动编码器构建深层网络特征提取器 所使用的卷积核是通过单独的无监督学习获得的 此改
，
.
，
Softmax
进的深层网络通过预训练和微调 得到一个自动的深层特征提取器 最后 利用
回归模型对提取的特征进行分
.
，
.
类 本文算法在多个常用人脸库上进行了实验 表明了其在性能上比传统方法和普通深度学习方法都有所提高
:
;
;
;
;
关键词
中图分类号
URL: http: / /www. ejournal. org. cn
人脸识别 改进的深层网络 卷积 池化 多层稀疏自动编码器
TP391
0372－2112 ( 2017) 03－0619－07
DOI: 10. 3969 /j. issn. 0372－2112. 2017. 03. 017
:
:
A
:
文章编号
文献标识码
电子学报
Face Recognition Algorithm Based on Improved Deep Networks
LI Qian－yu，JIANG Jian－guo，QI Mei－bin
( School of Computer ＆ Information，Hefei University of Technology，Hefei，Anhui 230009，China)
Abstract: Current face recognition algorithms use hand－crafted features or extract features by deep learning. This pa－
per presents a face recognition algorithm based on improved deep networks that can automatically extract the discriminative
features of the target more accurately. Firstly，this algorithm uses ZCA( Zero－mean Component Analysis) whitening to pre－
process the input images in order to reduce the correlation between features and the complexity of the training networks.
Then，it organically combines convolution，pooling and stacked sparse autoencoder to get a deep network feature extractor.
The convolution kernels are achieved through a separate unsupervised learning model. The improved deep networks get an
automatic deep feature extractor through preliminary training and fine－tuning. Finally，the softmax regression model is used to
classify the extracted features. This algorithm is tested on several commonly used face databases. It is indicated that the per－
formance is better than the traditional methods and common deep learning methods.
Key words: face recognition; improved deep networks; convolution; pooling; stacked sparse autoencoder
［2］
. Zhou
Gabor
，
小波表示人脸 计算量较大
.
明显
Yang
等
利用
1
引言
等
［3］证明了几何特征和纹理特征的融合在人脸识
人脸识别是近年来计算机视觉领域和机器学习领
，
.
别上的有效性 构造难度较大 以上浅层算法在训练样
本和计算单元有限时很难有效地表达复杂函数［4］
，
域中最富挑战性的课题之一 受到了研究者们的广泛
，
揭
.
，
关注 成功有效的人脸识别具有广阔的应用前景 可在
.
， hand－crafted
示了浅层网络的局限性 同时 新
特征的构
、
、
国防安全 视频监控 人机交互和视频索引等场景发挥
.
巨大作用
，
.
建消耗大量的时间 且很难取得明显的效果
［5］
目标检测［6］上
，
、
另一方面 深度学习在动作识别
，
，
hand－craf－
一方面 传统的人脸识别研究 大都基于
［1］提出对变化具有较强适应性
: Deng
等
，
、
的成功应用 让我们看到了它在模式识别 语音识别和
ted
，
特征 例如
.
信息检索上面的光明前景 深度学习网络通过模拟大
PCA( Principal Component Analysis)
，
特征脸 用于人脸
的
，
，
脑的深度组织结构 构建多层非线性映射层 对复杂函
，
、
特征表示 但其识别性能在光照 姿态变化较大时下降
，
数拥有强大的表达能力 具有从大量样本中学习数据
: 2015－06－24;
: 2016－01－14;
:
收稿日期
修回日期
责任编辑 梅志强
:
( No. 61371155) ;
( No. 1301b042023)
基金项目 国家自然科学基金
安徽科技攻关项目
620
2017
电
子
学
报
年
.
鉴别性特征的明显优势 实验研究表明深度网络结构
.
程中获得更好的性能
比浅层结构更 加 有 效［7］ 在模 式识别等领域表现突
，
2
系统概述
出［8］ 文献
使用了
［9］
方法检测人脸关键点 由于
.
CNN
，
1
，
是本文的算法框架图 基于改进深层网络的人
图
，
.
［10，
是有监督学习算法 需要大量有标记样本 文献
:
、
脸识别算法由三个部分组成 预处理模块 深层网络特
11］
，
DBN
以大量无标记样本为支撑 通过
方法提取人脸
.
Softmax
.
回归模型 样本经过直方图均衡
征提取器以及
、
，
特征 同时利用部分有标记样本对网络进行微调
ZCA
，
64
化 尺度归一化和
× 64、
白化等预处理 变换到大小为
，
，
基于此 本文以深度学习方法为基础 构建了改进
［0，1］
灰度值范围为
.
的图像集 深层网络特征提
，
:
的深层网络 提出了一种新的有效的人脸识别系统 首
，
Softmax
取器完成样本深层特征的提取 用来训练
回归
，
，
，
先 对人脸库进行预处理 用于减小特征相关性 降低网
，
.
模型 对测试集的人脸类别进行判决输出
.
，
络计算复杂度 然后 构建一个改进的深层网络特征提
L－BFGS
预训练阶段利用无监督学习和
.
优化算法
，
、
.
取器 包含卷积层 池化层和双层稀疏自动编码层 网络
学习深层网络的参数 微调阶段利用有监督学习对深
，
，
训练前 本文对图片进行采样 利用无监督学习方法学
，
，
Softmax
层网络参数进行优化 同时提取深层特征 输入
，
.
习网络参数 获得各类卷积核 通过此特征提取器获得
;
回归模型进行训练 测试阶段将测试集数据预处理后
，
、
，
的人脸特征 能够全方位 多层次地对人脸进行刻画 具
，
Softmax
经深层网络特征提取器提取特征 输入
.
回归模
.
，
，
Softmax
有较强的鲁棒性 最后 利用所得特征 训练
回
型进行类别判决
，
.
归模型 对人脸进行类别判断 改进的深层网络结构模
，
型可以更加准确地提取出人脸的特征信息 在识别过
3
4
预处理模块
深层网络特征提取器
ZCA
.
预处理模块主要由归一化处理和
白化构成
4. 1
深层网络的介绍
特征提取是各类识别算法的核心步骤 对最终的
，
、
归一化处理采用尺度归一化 灰度归一化和直方图均
．
识别效果影响巨大 深度学习通过组合低层特征形成
，
，
衡化 降低整体网络的计算复杂度 同时在保留原有信
. ZCA
( 1)
所
，
，
更加抽象的高层特征 以实现数据的分布式特征表示
息的基础上减少无用信息
PCA
示 通过
白化首先如式
．
最终提高分类和预测的准确性 随着计算机内存的扩
，
;
变换去除了各个特征之间的相关性 然后
GPU
，
大和
计算技术的发展 各类深度学习算法的研究
( 2)
;
使输出特征具有单位方差 再把数据旋转回
利用式
，
: Deep Belief Networks( DBN) ［10，11］、Deep
得以开展 例如
，
ZCA
，
( 3)
，
去 得到
白化的处理结果 如式
所示 降低输入
Boltzmann Machine ( DBM ) 、Recurrent Neural Networks
．
的冗余性
( RNN) 、Sparse Auto Encoder( SAE) ［12，13］
等无监督深度
T
x ，i = U x
( 1)
( 2)
( 3)
rot
i
Convolutional Neural Networks( CNN) ［14］
学习算法和
等
x
rot，i
.
x
=
有监督深度学习算法
PCAWhite，i
λ
i
■
，
由于大量的人脸样本是无标记的 且含有丰富的
稀疏自动编码器 ［12，13］这一无
x
= Ux
ZCAWhite
PCAWhite
.
变化 故本文采用
SAE(
)
64 × 64、
输入通过预处理模块得到大小为
灰度值
，
，
监督学习方法 对大量无标记样本进行自动学习 预训
［0，1］
．
范围为 的图像集 这样得到的待处理人脸图像数
;
练获得深层网络的参数 采用卷积和池化操作来扩大
，
据具有统一的格式 可以有效降低网络的复杂度和计
．
、
样本集数量 卷积和池化使提取的特征具有对位移 尺
，
;
算难度 从而节省网络训练用时 同时减小了特征间的
，
，
度以及形变的不变性 减少网络需要训练的参数个数
，
．
．
，
相关性 为理想特征的提取奠定基础
降低模型复杂度 本文对样本进行子块采样 并运用单
全部评论(0)