基于显著性差值局部定向模式和深度卷积网络的鲁棒人脸识别

发布时间：2018-01-18 00:36

本文关键词：基于显著性差值局部定向模式和深度卷积网络的鲁棒人脸识别　出处：《光电子·激光》2017年08期 　论文类型：期刊论文

【摘要】：针对传统人脸识别算法特征提取不充分和对噪声敏感的缺点,提出了一种基于显著性差值局部定向模式(SDLDP)和深度卷积网络(DCNN)的人脸识别算法。基于信息的显著性,提出一种改进的SDLDP人脸描述方法,首先计算8个相邻边缘响应值的强度差,前k个最突出的强度差对应的方向编码为1,其他方向编码为0;然后在利用局部井型领域梯度信息的基础上,使用两组梯度值中各自最大值和次大值的方向编码成一个二位八进制数,从而形成改进的SDLDP编码,进而通过统计选出最具有显著性的SDLDP编码作为特征向量;最后将改进的SDLDP编码作为DCNN的输入,通过逐层贪婪训练网络,获得良好的网络参数,并用训练好的网络对测试样本进行预测。仿真实验表明,相对于传统的人脸识别算法,本文算法的识别率高,并且在对抗噪声方面更具有鲁棒性。
[Abstract]:Aiming at the shortcomings of traditional face recognition algorithms such as inadequate feature extraction and noise sensitivity. A face recognition algorithm based on significant difference local orientation mode (SDLDP) and deep convolution network (DCNN) is proposed. An improved SDLDP face description method is proposed. Firstly, the intensity difference of eight adjacent edge response values is calculated. The direction coding of the first most prominent intensity difference is 1, and the other direction coding is 0. Then, based on the local well field gradient information, the direction of the maximum and sub-maximum values of the two sets of gradient values are used to code into a binary octal number, thus an improved SDLDP code is formed. Then the most significant SDLDP coding is selected as the feature vector by statistical analysis. Finally, the improved SDLDP code is taken as the input of DCNN, and the network parameters are obtained by greedy training network, and the test samples are predicted by the trained network. Compared with the traditional face recognition algorithm, this algorithm has a high recognition rate and is more robust against noise.
【作者单位】：湖南工程学院电气信息学院;湖南工程学院电气信息学院风力发电机组及控制湖南省重点实验室;湖南风电装备与电能变换协同创新中心;
【基金】：国家自然基金(61263031,61563030) 湖南省自然科学基金(16JJ6025) 湖南省教育厅(14k029,15A044,16K024) 湖南工程学院博士科研启动基金(15045)资助项目
【分类号】：TP183;TP391.41
【正文快照】： 1 引言随着人工智能技术和可穿戴技术的发展[1],复杂环境下人的行为分析技术已经成为人机交互领域的一个研究热点[2]。人脸识别由于具有成本低、不侵犯使用者隐私权和应用广泛等特点,是目前的一个研究热点。局部定向模式(LDP,local direction pattern)[3]因其在纹理分析方

【相似文献】