深度协同表示分类新方法研究与应用
发布时间：2021-01-30 14:17
人脸识别是模式识别和人工智能领域具有挑战性的课题之一,广泛应用于信息安全、金融安全以及公共安全,产生了巨大的经济效益和社会效益。但是,由于原始人脸图像的数据维度较高,而且在采集过程中容易受到诸如噪声、光照、遮挡、姿态等干扰,无法直接进行匹配与识别。因此,人脸表征的好坏直接影响到了后续分类的精度。如何对原始图像进行高效的表征,抽取合适的特征加以合理利用,是图像分类领域的一个核心问题。稀疏表示作为一种新兴的特征表示方法,能够有效解决实际应用中存在的信息冗余量大、计算复杂度高与可解释性差等问题,近年来广泛应用于人脸识别,成为图像分类领域的一个研究热点,大量基于稀疏表示、协同表示的人脸识别框架被提出。同时,深度学习理论的出现及其算法的迅速发展,展示了其利用大量数据对图像特征描述的优良特性,使得基于特征提取的深度学习模型成为图像识别和分类领域中的研究热点。因此,本文将以人脸识别为例,针对非限制环境下,影响人脸成像的众多内因和外因（诸如噪声、光照、遮挡、姿态）,进一步研究基于协同表示和深度学习的图像分类技术,达到获取高效的图像特征表示、提升系统分类性能的目的。针对上述问题,本文深入研究和分析了基于...
【文章来源】：江南大学江苏省 211工程院校 教育部直属院校
【文章页数】：69 页
【学位级别】：硕士
【部分图文】：
一个完整的人脸识别系统的主要组成
第一章绪论3别领域不断精进和突破。同时，国内很多互联网企业也投入大量人力和资金，涌现了越来越多优秀的研究团队，例如：腾讯、阿里巴巴、百度、旷视科技、商汤科技等等，他们逐渐在国际舞台上崭露头角。图像特征的表示也经历了底层特征和特征学习两个阶段[4]，如下图1-2所示。底层特征，顾名思义就是图像最基础的视觉特性，如颜色、形状、纹理等等，经过人工设计选择图像特征。而图像的特征学习则是试图从大量的数据中经过不断优化学习得到图像之间所共有的深层属性，直接从原始像素出发，即使是不同类型的图像，也可以采用相类似的结构进行特征提取，使得图像的特征提取在方法上具有了一致性。图1-2图像特征表示的两个阶段综合相关文献，人脸识别中关于特征的研究可以大致分为以下几个发展方向：（1）基于几何特征（GeometricFeature）的方法该类方法属于早期的人脸识别方法，需要人为提取面部五官的几何结构进行判别，自动化程度低，必须手工定位，虽然会因此对光照变化具有一定的鲁棒性，但在实际应用中还是不常使用。美国德克萨斯大学的Bledsoe[5][6]首先提出利用五官之间的几何距离及比例作为特征，开发了第一个基于几何特征的半自动人脸识别系统，算法识别速度较快，但丢失了局部特征和纹理信息，导致识别精度不高。（2）基于子空间的方法该类方法属于人脸识别快速发展阶段的成果，该阶段涌现出一系列经典的理论与算法。基本思想是将每张人脸图像看成一个矩阵，经过相应变换得到一个新的投影矩阵，即将原始人脸数据从高维空间投影到低维子空间，从而完成降维，最后在低维子空间完成分类。例如，1991年提出的“特征脸（Eigenface）”方法[7]，首先计算得到人脸图像的协方差矩阵，抽取出特征向量和特征值，然后利用主成成分?
第一章绪论5结合原始样本与镜像人脸的分类算法（IntegratetheOriginalFaceImageanditsMirrorImageforFaceRecognition，IOMFR）[20]是基于人脸图像的对称相似属性提出的。顾名思义，其基本思想是分别提取样本的左右两个半边脸进行自我复制，分别构成两个虚拟的镜像人脸样本，从而达到扩充训练样本集合、丰富数据变化、提升算法识别精度的目的。图1-3基于稀疏表示的人脸识别方法的常规流程（4）基于深度学习的人脸识别方法从2014年开始，随着深度学习的大热，一系列以深度神经网络（DeepNeuralNetworks，DNN）[21]为基础的人脸识别框架相继被提出。Facebook公司于2014年提出的DeepFace网络[22]，可谓是基于深度学习的人脸识别方法的奠基之作。该网络在4000个人的总共400万张图像上做训练，最终学习出的模型在LFW[23]测试集上取得了97.25%的准确率，首次与人类持平。同年，香港中文大学的汤晓鸥团队相继提出DeepID[24]、DeepID2[25]、DeepID3[26]三种模型来进行人脸识别，均使用了VGGnet[27]和GoogleLeNet[28]两种深度神经网络框架，使得识别率进一步提升。Google公司于2015年提出FaceNet网络[30]，该网络在2亿万张人脸图像上做训练，最终在LFW数据集上取得了99.63%的识别精度，已经赶超人类识别精度。2017年，腾讯优图实验室在国际权威人脸识别数据库LFW上提交的成绩为99.80%，再次刷新人脸识别的世界纪录，获得无限制条件下人脸验证测试（UnrestrictedLabeledOutsideData）第一名。总体说来，人脸识别领域因为深度学习的应用进入了一个新的阶段。Z.Wang等人[29]认为，深度神经网络（DNN）和主成分分析（PCA）、稀疏编码（SparseCoding）等众多耳熟能详的模型并无二致，都属于机器学习中特征学习（FeatureLearning）范?
【参考文献】：
期刊论文
[1]基于二次学习的半监督字典学习软件缺陷预测[J]. 张志武,荆晓远,吴飞. 模式识别与人工智能. 2017(03)
[2]基于鉴别性低秩表示及字典学习的鲁棒人脸识别算法[J]. 赵雯,吴小俊. 计算机应用研究. 2017(10)
[3]基于稀疏表征的单样本人脸识别[J]. 畅雪萍,郑忠龙,谢陈毛. 计算机工程. 2010(21)
硕士论文
[1]基于深度学习和稀疏表示的图像分类与检索方法研究[D]. 焦鹏飞.西安理工大学 2019
[2]基于深度神经网络的特征提取算法及其应用研究[D]. 李蓓蓓.江南大学 2018
[3]表示分类学习新方法及其在人脸识别中的应用[D]. 那天.江南大学 2018
本文编号：3009047
【文章来源】：江南大学江苏省 211工程院校 教育部直属院校
【文章页数】：69 页
【学位级别】：硕士
【部分图文】：
一个完整的人脸识别系统的主要组成
第一章绪论3别领域不断精进和突破。同时，国内很多互联网企业也投入大量人力和资金，涌现了越来越多优秀的研究团队，例如：腾讯、阿里巴巴、百度、旷视科技、商汤科技等等，他们逐渐在国际舞台上崭露头角。图像特征的表示也经历了底层特征和特征学习两个阶段[4]，如下图1-2所示。底层特征，顾名思义就是图像最基础的视觉特性，如颜色、形状、纹理等等，经过人工设计选择图像特征。而图像的特征学习则是试图从大量的数据中经过不断优化学习得到图像之间所共有的深层属性，直接从原始像素出发，即使是不同类型的图像，也可以采用相类似的结构进行特征提取，使得图像的特征提取在方法上具有了一致性。图1-2图像特征表示的两个阶段综合相关文献，人脸识别中关于特征的研究可以大致分为以下几个发展方向：（1）基于几何特征（GeometricFeature）的方法该类方法属于早期的人脸识别方法，需要人为提取面部五官的几何结构进行判别，自动化程度低，必须手工定位，虽然会因此对光照变化具有一定的鲁棒性，但在实际应用中还是不常使用。美国德克萨斯大学的Bledsoe[5][6]首先提出利用五官之间的几何距离及比例作为特征，开发了第一个基于几何特征的半自动人脸识别系统，算法识别速度较快，但丢失了局部特征和纹理信息，导致识别精度不高。（2）基于子空间的方法该类方法属于人脸识别快速发展阶段的成果，该阶段涌现出一系列经典的理论与算法。基本思想是将每张人脸图像看成一个矩阵，经过相应变换得到一个新的投影矩阵，即将原始人脸数据从高维空间投影到低维子空间，从而完成降维，最后在低维子空间完成分类。例如，1991年提出的“特征脸（Eigenface）”方法[7]，首先计算得到人脸图像的协方差矩阵，抽取出特征向量和特征值，然后利用主成成分?
第一章绪论5结合原始样本与镜像人脸的分类算法（IntegratetheOriginalFaceImageanditsMirrorImageforFaceRecognition，IOMFR）[20]是基于人脸图像的对称相似属性提出的。顾名思义，其基本思想是分别提取样本的左右两个半边脸进行自我复制，分别构成两个虚拟的镜像人脸样本，从而达到扩充训练样本集合、丰富数据变化、提升算法识别精度的目的。图1-3基于稀疏表示的人脸识别方法的常规流程（4）基于深度学习的人脸识别方法从2014年开始，随着深度学习的大热，一系列以深度神经网络（DeepNeuralNetworks，DNN）[21]为基础的人脸识别框架相继被提出。Facebook公司于2014年提出的DeepFace网络[22]，可谓是基于深度学习的人脸识别方法的奠基之作。该网络在4000个人的总共400万张图像上做训练，最终学习出的模型在LFW[23]测试集上取得了97.25%的准确率，首次与人类持平。同年，香港中文大学的汤晓鸥团队相继提出DeepID[24]、DeepID2[25]、DeepID3[26]三种模型来进行人脸识别，均使用了VGGnet[27]和GoogleLeNet[28]两种深度神经网络框架，使得识别率进一步提升。Google公司于2015年提出FaceNet网络[30]，该网络在2亿万张人脸图像上做训练，最终在LFW数据集上取得了99.63%的识别精度，已经赶超人类识别精度。2017年，腾讯优图实验室在国际权威人脸识别数据库LFW上提交的成绩为99.80%，再次刷新人脸识别的世界纪录，获得无限制条件下人脸验证测试（UnrestrictedLabeledOutsideData）第一名。总体说来，人脸识别领域因为深度学习的应用进入了一个新的阶段。Z.Wang等人[29]认为，深度神经网络（DNN）和主成分分析（PCA）、稀疏编码（SparseCoding）等众多耳熟能详的模型并无二致，都属于机器学习中特征学习（FeatureLearning）范?
【参考文献】：
期刊论文
[1]基于二次学习的半监督字典学习软件缺陷预测[J]. 张志武,荆晓远,吴飞. 模式识别与人工智能. 2017(03)
[2]基于鉴别性低秩表示及字典学习的鲁棒人脸识别算法[J]. 赵雯,吴小俊. 计算机应用研究. 2017(10)
[3]基于稀疏表征的单样本人脸识别[J]. 畅雪萍,郑忠龙,谢陈毛. 计算机工程. 2010(21)
硕士论文
[1]基于深度学习和稀疏表示的图像分类与检索方法研究[D]. 焦鹏飞.西安理工大学 2019
[2]基于深度神经网络的特征提取算法及其应用研究[D]. 李蓓蓓.江南大学 2018
[3]表示分类学习新方法及其在人脸识别中的应用[D]. 那天.江南大学 2018
本文编号：3009047
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3009047.html
