论文部分内容阅读
随着人工智能、科学信息技术的发展、国家安全和人民生活需要,人脸识别技术获得广泛关注并取得长足发展,是目前模式识别和计算机视觉领域的研究热点之一。由于人脸姿态、光照、表情、年龄及小样本等的影响,使人脸识别具有较高挑战性,很多情况下还不能满足需求,如何提取鲁棒的、分类性强的人脸特征及识别还需要进行持续研究。本文主要针对人脸识别的小样本问题,利用集成学习具有增强识别算法泛化能力的特点,进行人脸特征提取及识别研究以增强算法识别性能。具体研究工作如下:(1)提出了一种集成改进加速稳健特征的子空间人脸识别方法。针对SURF算法在特征匹配中会出现误匹配等问题,利用AAM的形状模型进行改进,由此获取人脸图像的局部特征;然后根据集成学习中将不同学习模型进行组合的思想,将提取的局部特征与人脸图像的全局PCA特征进行集成,获得包含全局和局部的人脸特征,并用于匹配识别;最后在ORL人脸库和FERET人脸库上进行实验验证了其识别性能,并与其他经典算法相比其识别率都有不同程度提高。(2)实现了一种多特征集成的人脸识别方法。为了更全面地提取和描述人脸的特征,对人脸图像分别提取全局PCA特征、局部LBP特征和可以获取图像上下文摘要的GIST特征;根据集成学习通过改变样本集来提高算法泛化能力的思想,将图像进行高斯下采样处理,并在每种尺度下分别进行三种特征提取,然后利用多数投票法进行集成;最后分别在ORL和FERET人脸库上进行了实验,证明其识别性能得到提高。(3)针对深度学习的卷积神经网络模型在人脸识别中可以自主学习人脸特征、不需要人为设计,但需要大量样本的训练,在小样本情况下其识别性能严重下降,为此提出了一种集成深度学习的人脸识别方法。首先对人脸图像进行尺度变换,形成十种不同尺度图像,然后在每一种尺度下分别训练传统的卷积神经网络,接着依据集成学习的Stacking思想将每个网络输出层的输出概率值作为元特征训练一个BP神经网络,从而获得最终识别结果,最后该方法在ORL人脸库上进行了实验,结果说明了在小样本情况下该方法比传统卷积神经网络的性能优越。