基于深度卷积网络算法的人脸识别方法研究

发布时间：2018-04-13 10:21

本文选题：深度卷积网络 + 局部二值模式　；参考：《计算机仿真》2017年01期

【摘要】：由于人脸图像在采集过程中,容易收到光照等环境影响,使得人脸特征存在突变性。传统的识别方法主要通过采集人脸特征进行人脸识别,对图像清晰度要求很高,针对模糊图像不能及时进行人脸特征采集,导致人脸识别不准确的问题。提出深度卷积网络算法的人脸识别方法。首先要用局部二值算法提取人脸局部纹理特征,对深度卷积网络模型进行构建,并利用卷积网络共享权值和池化、下采样等降低模型的复杂度。在模型的顶层形成人脸图像特征分类面,得到完成好的深度卷积网络模型,利用该模型对人脸图像进行特征提取,有效的完成了人脸的识别。实验结果很好地证明了利用深度卷积网络算法的人脸识别方法对人脸特征表达效果良好,显著提高了人脸识别的准确率。
[Abstract]:Because the face image is easy to receive the environmental influence such as illumination in the process of collecting face, there is a mutation in the face feature.The traditional method of face recognition is mainly based on the acquisition of face features, which requires a high level of image sharpness. The fuzzy image can not be collected in time, which leads to the problem of inaccurate face recognition.A deep convolution network algorithm for face recognition is proposed.Firstly, the local texture feature of human face is extracted by local binary algorithm, and the deep convolution network model is constructed, and the complexity of the model is reduced by using convolution network to share weights and pool, downsampling and so on.The feature classification surface of face image is formed at the top of the model, and a good depth convolution network model is obtained. The feature extraction of face image is carried out by using this model, and the face recognition is accomplished effectively.The experimental results show that the deep convolution network algorithm has a good effect on the expression of face features and improves the accuracy of face recognition.
【作者单位】：广东工业大学计算机学院;
【分类号】：TP391.41

【参考文献】

相关期刊论文前10条

1 茹峰;彭晓宏;侯立刚;宋辰;;基于人脸识别的学生课程出勤管理系统设计[J];现代电子技术;2016年01期

2 曾璐;鲁海荣;罗璐;杨国亮;;基于RPCA与低秩投影的有遮挡人脸识别[J];计算机仿真;2015年10期

3 于琨;王明斐;;Contourlet变换域下的目标特征提取与识别[J];火力与指挥控制;2015年08期

4 吕士文;达飞鹏;邓星;;基于区域改进LBP的三维人脸识别[J];东南大学学报(自然科学版);2015年04期

5 陈莉;赵峰;;基于支持向量机的局部二值模式加权算法在人脸识别中的应用[J];科技通报;2015年05期

6 孙艳丰;齐光磊;胡永利;赵璐;;基于改进Fisher准则的深度卷积神经网络识别算法[J];北京工业大学学报;2015年06期

7 张雯;王文伟;;基于局部二值模式和深度学习的人脸识别[J];计算机应用;2015年05期

8 黄敏;宫秋萍;曾莎;;基于深度数据的三维人脸识别[J];郑州轻工业学院学报(自然科学版);2014年06期

9 王小玉;张亚洲;陈德运;;基于多块局部二值模式特征和人眼定位的人脸检测[J];仪器仪表学报;2014年12期

10 程雪峰;李顺;龙飞;;基于Log-Gabor滤波和LBP算子的光照不变人脸识别方法[J];厦门大学学报(自然科学版);2014年03期

【共引文献】

相关期刊论文前10条

1 沈萍;赵备;;基于深度学习模型的花卉种类识别[J];科技通报;2017年03期

2 刘国厂;;基于三维视觉的篮球投篮角度矫正方法[J];现代电子技术;2017年05期

3 李玉霞;;计算机辅助视觉下的英文字母识别软件系统设计与实现[J];现代电子技术;2017年04期

4 侯景忠;夏克文;杨帆;;轧制设备生产带钢缺陷图像检测仿真研究[J];计算机仿真;2017年02期

5 冯姝;;无监督局部特征学习的鲁棒性人脸识别[J];计算机应用;2017年02期

6 唐普霞;石丽怡;;基于数据挖掘的图像分类算法[J];现代电子技术;2017年03期

7 龙海强;谭台哲;;基于深度卷积网络算法的人脸识别方法研究[J];计算机仿真;2017年01期

8 王健;高媛;秦品乐;王丽芳;;基于改进的LBP算法的三维人脸识别[J];计算机工程与设计;2016年12期

9 卫丽华;朱鹏程;管致锦;;基于方向局部极值模式的图像检索算法[J];计算机工程与设计;2016年12期

10 胡太元;;人脸识别技术在图书馆管理中的应用[J];中小企业管理与科技(上旬刊);2016年12期

【二级参考文献】

相关期刊论文前10条

1 朱兴统;习洋洋;;基于C++和OpenCV的人脸识别系统的设计与实现[J];自动化与仪器仪表;2014年08期

2 梁淑芬;刘银华;李立琛;;基于LBP和深度学习的非限制条件下人脸识别算法[J];通信学报;2014年06期

3 曾智勇;池燕玲;郑启财;;加权局部二值模式和块线性判别投影的人脸识别方法[J];福建师范大学学报(自然科学版);2014年03期

4 刘成云;常发亮;陈振学;韩旭振;;融合改进参考白和稀疏网络的彩色人脸检测[J];仪器仪表学报;2014年04期

5 韩越祥;;典型相关分析融合全局和局部特征的人脸识别[J];计算机工程与应用;2014年05期

6 张宏星;邹刚;赵键;李志勇;;基于Gabor特征与协同表示的人脸识别算法[J];计算机工程与设计;2014年02期

7 詹曙;胡德凤;蒋建国;;结合GLWT和LBP提取纹理特征的图像分割[J];电子测量与仪器学报;2014年02期

8 黄海波;全海燕;谢鹏;;一种融合模块2DPCA与PCA的人脸识别方法[J];郑州轻工业学院学报(自然科学版);2013年06期

9 夏春林;周德云;张X;;采用遗传规划实现合成孔径雷达图像目标识别[J];计算机测量与控制;2013年11期

10 胡步发;王金伟;;双模态及语义知识的三维人脸表情识别方法[J];仪器仪表学报;2013年04期

【相似文献】

相关期刊论文前10条

1 施水才;俞鸿魁;吕学强;李渝勤;;基于大规模语料的新词语识别方法[J];山东大学学报(理学版);2006年03期

2 苏家洪;;试述人脸识别新技术及编辑识别方法[J];中国新技术新产品;2012年07期

3 高春庚;孙建国;;基于统计的人脸识别方法综述[J];安阳工学院学报;2012年04期

4 马彬;洪宇;杨雪蓉;姚建民;朱巧明;;基于语义依存线索的事件关系识别方法研究[J];北京大学学报(自然科学版);2013年01期

5 马彬;洪宇;杨雪蓉;姚建民;朱巧明;;基于推理线索构建的事件关系识别方法[J];北京大学学报(自然科学版);2014年01期

6 吕冬梅,刘燕萍,李云凯;一个新的机械图纸识别方法[J];信息技术;2001年03期

7 刘志鹏,魏君;基于神经网络的集装箱编号识别方法的研究[J];中国包装工业;2002年09期

8 贺敏;龚才春;张华平;程学旗;;一种基于大规模语料的新词识别方法[J];计算机工程与应用;2007年21期

9 董世都;黄同愿;王华秋;王森;杨小帆;;半边人脸识别方法[J];计算机工程;2008年07期

10 方晓春;;一种优化的角色识别方法[J];计算机应用与软件;2009年04期