论文部分内容阅读
随着人工智能的发展,如何准确、有效地识别用户身份,提升信息安全成为一个重要的研究方向。相对于传统依靠物品和自身记忆(如卡片和密码等)的认证识别方法可能存在的隐患和不足,后来提出了如指纹识别、虹膜识别、DNA识别和人脸识别等基于生物技术的识别方法。相比于其他生物识别方法,人脸识别具有非接触性、非强制性和并发性等优势,更易被用户所接受。如何将深度学习技术和人脸识别应用结合起来更好地服务教育、电子商务等领域,学者先后提出了大量的基于机器学习和模式识别的人脸识别算法,虽然有些算法的识别准确度已经达到了很高的水平,但往往在实际应用中会受到各种外界不可避免的因素干扰和制约。本文针对于上述问题,首先提出的基于深度学习结合的SVM人脸识别技术,是借助于RBM无监督自动提取特征能力对图像数据进行处理,然后引入泛化能力强且核函数处理非线性分类能力强的支持向量机模型对人脸图像进行分类识别。使得在CMU-PIE人脸数据库上,识别准确率由SVM模型的80.7%和DBN模型的87.3%上升到所提出RBM-SVM模型的91.2%。并通过实验分析了外界因素对识别准确率的影响。在现实环境中,通过设备采集到的人脸图像具有很强的可变性和复杂性,这些图像极易受到采集角度、姿态和光照等条件的影响,这些都给人脸识别的准确率带来了极大的负面影响。针对所提出第一个RBM-SVM模型的问题,本文接着又介绍了具有一定的平移和旋转不变性的卷积神经网络(lenet-5)人脸识别方法,并在Caffe平台上用GPU对CMU-PIE数据库中41386张人脸图像数据进行实验,得到人脸识别的准确率能达到96.1%。然后此基础上,本文接着又提出了新的、改进的并行同步卷积神经网络模型(CNN-LP2),将原始图像和增强光照图像双输入CNN-LP2模型中,得到的识别准确率高达99.2%。在改进了模型的各项参数和实验样本分布情况后,进行大量的对比实验,进一步说明了新提出的CNN-LP2模型在处理人脸图像识别方面的优越性。