论文部分内容阅读
近几年,人工智能技术飞速发展,使之在很多领域中加以运用。机器快速检测并识别目标的问题,一直是机器视觉领域的热点。具有唯一性的人脸是最自然的身份识别方式,人脸识别相对于其他识别方法的优点是方便快捷,安全性高,易于实现和安装。目前已在门禁系统、摄像系统、考勤系统和金融系统等领域得到了广泛的应用。传统的人脸识别算法采用的是针对人脸的特征点之间的距离或者基于人脸的子空间模型,通过输入图像与训练好的特征做比对,能够达到很好的效果。但当受到外界干扰,比如遮光逆光、脸部姿态角度、带有帽子眼睛口罩等遮挡物时,严重的影响了识别精度。因此,寻找一种方法识别率更高,鲁棒性更强的识别算法具有重要的意义。本文在经典人脸识别算法的基础上,提出了一种将传统的特征提取与深度学习相结合的人脸识别算法。针对局部二值模式(Local Binary Patterns,LBP)算子提取的特征信息局限以及不能准确描述图像轮廓信息的问题,使用梯度方向直方图(Histogram of oriented gradient,HOG)和LBP分层特征融合的方法在卷积神经网络中对训练集进行特征提取,再将匹配提取的特征图像输入改进的卷积神经网络进行训练模型和分类识别操作。还因为在整个人脸识别的实验过程中,原图像含有很多的噪声和多余信息,降低了分类模型的识别率。本文在前一部分实验的基础上,提出了多方向特征提取和复合型深度残差网络的人脸识别算法。特征提取过程滤除人脸图像噪声和冗余信息,在回归型深度残差网络和分类型深度残差网络组合成的复合型深度残差网络中进行训练、识别,进一步验证算法的鲁棒性和准确性。本文主要贡献有:(1)特征提取。将分块后的人脸图像进行二进制编码,提取LBP统计直方图特征,之后将所有分块区域的直方图特征顺序串联起来,形成每一层特征获取图像的特征矩阵向量。对灰度图像再次进行HOG特征的提取,融合LBP特征向量与HOG特征向量串联级联,形成人脸图像的融合特征。融合后的特征能够为深度学习的训练提供特征数据量。(2)深度学习网络。在人脸图像大数据的前提下,为了提高人脸识别的准确率并减小时间复杂度,通过改进的卷积神经网络(Convolutional Neural Networks,CNN)和复合型深度残差网络(ResNet,Deep Residual Network)进行深层学习。深度学习网络通过局部感受野、权值共享和残差块结构,减少训练时间,提高识别率。