基于卷积神经网络的人脸识别研究
引用:高卿. 基于卷积神经网络的人脸识别研究[D]. 2020.
文章目录
前言
随着科技的发展,在设备的支持下,基于神经网络的人脸识别又有了新的发展。现今大部分人脸识别研究都是以神经网络为基础,加入深度学习模式,能更好的的诠释现今的人脸识别方法
提示:以下是本篇文章正文内容
一、传统人脸识别技术(研究基础)
1.子空间方法
- 主成分分析PCA方法
- 基于线性判别分析(Fisherface)方法
Fisherface是由Ronald Fisher发明的,Fisherface所基于的LDA(Linear Discriminant Analysis,线性判别分析)理论和特征脸里用到的PCA有相似之处,都是对原有数据进行整体降维映射到低维空间的方法,LDA和PCA都是从数据整体入手而不同于LBP提取局部纹理特征。
2.局部二值模式方法(LBP)
局部二值模式, Local binary patterns, LBP, 一种用于纹理分类的特征。如果局部二值模式特征与方向梯度直方图结合,则可以在一些集合上十分有效的提升检测效果。它将各个像素与其附近的像素进行比较,并把结果保存为二进制数。由于其辨别力强大和计算简单,局部二值模式纹理算子已经在不同的场景下得到应用。LBP最重要的属性是对诸如光照变化等造成的灰度变化的鲁棒性。它的另外一个重要特性是它的计算简单,这使得它可以对图像进行实时分析。
二、相关理论(所需工作理论基础)
1.神经网络
- 感知器
人脸识别算法中采用感知器的方法大致有两种分类器,分别是线性分类器和最近邻分类器。 - 多层映射BP神经网络
BP神经网络属于一种多层映射的前馈神经网络,它的优点是:数据信息传递是向前传播的,而错误信息反馈误差是反向传播的
- 卷积神经网络
卷积神经网络是深度学习中最常用的神经网络模型之一,它属于前馈型神经网络,主要由卷积层、池层和全连接层组成,三层序列叠加可构成一个完整的卷积神经网络。 - 全卷积神经网络
全卷积神经网络它的构成部分分为卷积模块和反卷积模块,其中卷积模块运用了最常用的卷积神经网络。
2.损失函数
在人脸识别的神经网络中,损失函数也是个很重要的模块,损失函数对整个网络模型的优化起了决定性的作用。
- 损失函数Softmax Loss
- 损失函数Center Loss
- 损失函数Triplet Loss
- 损失函数L-softmax
三、实验与结果分析
1.实验平台
软件:HATLAB R2017a 、VS2017
运行环境:
SystemOS:windows 7
CPU:Intel i7-8750H;
GPU:GTX1060ti 6G
主频:2.20GHZ;
内存:8.00GB。
2.多损失函数融合算法
验证多损失函数在实际问题中的性能,对LBP, PCA,Sphereface, Center Loss算法进行了相应的仿真实验比较,多损失函数人脸识别算法中采用了casia-webface数据库,在olivettifaces人脸数据库,FERET人脸数据库,ORL人脸数据库和lfw数据库进行了实验。人脸图像,是一个很好的卷积神经网络训练数据集。LFW人脸数据库是一个不受限制的自然场景人脸识别数据集。该数据集由13000多张不同方向的人脸照片、表情以及世界各地名人网络自然场景的灯光环境组成。总共有5000多人,其中1680人有2张或2张以上的脸部照片。每张人脸图片都有其唯一的姓名工D和序列号来区分。实验中先通过将数据库进行循环比对操作清洗,去除不合格图片以及重复人脸图片,然后就执行MTCNN进行裁剪,进行面部检测和人脸对齐工作,然后将裁剪过后的数据直接进行训练。在网络结构中,前向计算传导到不同的损失函数层,然后new loss计算并后传数据,自动学习不同的损失函数的权重比重,选取出最优的结果值。
3.基于稀疏非局部正则化加权的部分人脸识别方法
该算法针对部分人脸图像的多变性采用全卷积神经网络获取人脸特征,该方法能够接收任
意尺寸大小的图片进行训练学习,无需对原始图片进行人脸对齐操作,更好的保存了人脸
信息。根据局部稀疏和非局部自相似的特点,将非局部正则加权编码引入稀疏表示分类器
中。实验结果表明:在公开的数据库上,提出的方法不仅解决了可以识别人脸图像任意块,
而且与己有算法相比有更高的识别率和更好的鲁棒性。
总结
深度学习的出现对计算机视觉产生了大变化,人脸识别也在深度学习的大环境中有了新的研究方向,基于神经网络的人脸识别方法逐渐替代了传统人脸识别算法。其中很多算法和理论需要我们坚持不懈的学习。