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)