基于代价敏感分层极限学习机的人脸识别方法
发布时间：2021-06-26 15:55
人脸识别技术是生物特征识别的重要分支之一。人脸识别时特征提取的粒度信息变化,是一个由粗糙到精细的过程。在此过程中,特征变得更加有代表性,决策也将变得越来越容易,但是花费的时间也随之不断增加。同时,人脸识别也是一种典型的代价敏感问题,一个没有权限的人被错误的允许进入机密机构,会造成的巨大的损失。为了解决这一问题,本文首先提出基于代价敏感分层极限学习机的图像识别算法。分层极限学习机将多个极限学习机稀疏编码器叠加进行特征提取,再运用极限学习机进行分类。该算法具有计算复杂度低,准确度高等优点。文中分析了分层极限学习机的特征提取过程为由粗到细的连续粒度特征结构,并依此结合序贯三支决策方法分析决策成本和时间成本间的关系得到人脸识别的最小总代价。这一定程度上可以避免因信息不足时做出错误决策而产生的巨大代价。序贯三支决策模仿人类动态决策过程,在连续粒度结构的每一层进行三支决策。本文对多层极限学习机的每层分类中增加边界域,通过对每一层网络进行贯序三支决策得到最小总成本。在保留极限学习机速度快、泛化性好的优点的同时解决了分层极限学习机无法提供边界和代价不敏感的问题。通过对总体代价成本的计算,与其他传统的深...
【文章来源】：大连海事大学辽宁省 211工程院校
【文章页数】：59 页
【学位级别】：硕士
【部分图文】：
图１．１人脸识别应用实例??Ｆｉｇ．?１．１?Ｔｈｅ?ｅｘａｍｐｌｅ?ｏｆ?ｆａｃｅ?ｒｅｃｏｇｎｉｔｉｏｎ?ａｐｐｌｉｃａｔｉｏｎ??１．２国内外研究现状??
人提出基于极限??学习机最小均方的方法并提出相应的极限学习机自编码器（ｅｘｔｒｅｍｅ?ｌｅａｒｎｉｎｇ??ｍａｃｈｉｎｅ?ａｕｔｏ－ｅｎｃｏｄｅ，简称ＥＬＭ－ＡＥ），这一方法同样米取多层网状结构，但是无??需像传统的深度学习网络一样运用反向传播算法对整体网络进行迭代调整，而是??利用极限学习机的算法理论在每一层对参数进行训练，这一方法能够有效的对数??据进行降维和去噪［１５］，并且特征提取的速度也大大提高了。??数据输入层?丨?卷积层?丨全连接层；魏??麵藝??卷积?特征映射??图１．?２卷积神经网络结构??Ｆｉｇ．?１．２?Ｉｌｌｕｓｔｒａｔｉｏｎ?ｏｆ?ｔｈｅ?ｓｔｒｕｃｔｕｒｅ?ｏｆ?ａ?ＣＮＮ??局部特征相较于全局特征可以更好的处理光照、遮挡等噪声。２００２年，Ｏｊａｌａ??丁｜１５丨提出了局部二值模式（ｌｏｃａｌ?ｂｉｎａｒｙ?ｐａｔｔｅｒｎｓ，简称ＬＢＰ），这一方法可以表示图??像局部的纹理特征。这一经典的纹理描述方法在之后被学者们不断地改进和拓展，??如多尺度块的局部二值模式％和将局部二进制与近红外图像结合提出基于主动近??红外图像人脸识别［１７］。２０１０年Ｔａｎ?Ｘ等人提出的局部三值模式是将局部二值模式??中的编码值增加为三值，之后通过改变阈值和均值增强提出了局部纹理特征集的??局部二值模式［１８］提高光照条件差时的识别性能。２０１９年，丁莲静等人＿提出一种??加权信息熵与自适应阈值环形局部二值模式算子相结合的人脸识别方法。Ｃｈｅｎ?Ｊ??等人？于２００８年提出了局部韦伯算子，其核心思想在于将人脸图像上的所有像尜??－４?－??
＝＾Ｘ＞Ｊ－Ｘ，ｉｉ）２?（２．２）??ｉｊ??通过乘法更新规则对非负矩阵Ｍ和ｔｖ上对应位置的元素进行更新，交替迭代??优化Ｍ和Ｗ后获得局部最优解。??Ｏｒｉｇｉｎａｌ??ＮＭＦ??ｆｆｅ－??一?人十■？卜?＿??Ｉ?１?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ??Ｉ?Ｉ??？一卜、—铲１十？十卜＿????－棘‘冓?４－?＾?ｍＩ??Ｄ?：、：？?Ｉ一?十疆计?晒晒??？?］?ｒ?：?ｕ?１、ｘ?斗＿??ｒ－?＃??！－＊．！！?！?！?－１?ｎ￣ｎ？￣ｎ￣ｌ?Ｉ??图２．?３非负矩阵分解算法提取特征示例??Ｆｉｇ．?２．３?Ｅｘａｍｐｌｅｓ?ｏｆ?ｆｅａｔｕｒｅ?ｅｘｔｒａｃｔｉｏｎ?ｂｙ?ＮＭＦ??局部二值模式提取局部的纹理特征用以表示图像，拥有对图片方向变化不敏??感、对灰度变化不敏感和能够多分辨率分析等优点。局部二值模式算子是将范围??内中心像素与邻域半径上的像素点进行比较，并对结果进行二进制编码。局部二??值模式算子的计算过程如下图２．２所示：位于中心的像素值与周围像素值比较大??小，当中心像素为较小值时取０，否则取Ｉ。将比较后得到的只有０和Ｉ的序列从??左上角按顺时针顺序组合得到一个二进制数，转化为十进制后的数字就是这二区??域的特征值。?丨??丨８１９?１０１?二进制序列为??１０１０１０００????２?６?９??？?０?１??？?１６８??５?２?４?０?０?０??图２．?４局部二值模式的过程??Ｆｉｇ．?２．４?Ｔｈｅ?ｐｒｏｃｅｓｓ?ｏｆ?Ｌｏｃａｌ?Ｂｉｎａｒｙ?Ｐａｔｔｅｒｎｓ??－１３?－??
【参考文献】：
期刊论文
[1]加权信息熵与增强局部二值模式结合的人脸识别[J]. 丁莲静,刘光帅,李旭瑞,陈晓文. 计算机应用. 2019(08)
[2]基于ARM和深度学习的大数据指纹识别系统设计[J]. 张莉华. 湖南科技大学学报(自然科学版). 2019(01)
[3]基于深度网络的人脸区域分割方法[J]. 杜星悦,董洪伟,杨振. 计算机工程与应用. 2019(08)
[4]Robust sparse representation based face recognition in an adaptive weighted spatial pyramid structure[J]. Xiao MA,Fandong ZHANG,Yuelong LI,Jufu FENG. Science China（Information Sciences）. 2018(01)
[5]一种新的低秩分块稀疏表示的人脸识别算法[J]. 胡昭华,赵孝磊,徐玉伟,何军. 数据采集与处理. 2015(05)
本文编号：3251631
【文章来源】：大连海事大学辽宁省 211工程院校
【文章页数】：59 页
【学位级别】：硕士
【部分图文】：
图１．１人脸识别应用实例??Ｆｉｇ．?１．１?Ｔｈｅ?ｅｘａｍｐｌｅ?ｏｆ?ｆａｃｅ?ｒｅｃｏｇｎｉｔｉｏｎ?ａｐｐｌｉｃａｔｉｏｎ??１．２国内外研究现状??
人提出基于极限??学习机最小均方的方法并提出相应的极限学习机自编码器（ｅｘｔｒｅｍｅ?ｌｅａｒｎｉｎｇ??ｍａｃｈｉｎｅ?ａｕｔｏ－ｅｎｃｏｄｅ，简称ＥＬＭ－ＡＥ），这一方法同样米取多层网状结构，但是无??需像传统的深度学习网络一样运用反向传播算法对整体网络进行迭代调整，而是??利用极限学习机的算法理论在每一层对参数进行训练，这一方法能够有效的对数??据进行降维和去噪［１５］，并且特征提取的速度也大大提高了。??数据输入层?丨?卷积层?丨全连接层；魏??麵藝??卷积?特征映射??图１．?２卷积神经网络结构??Ｆｉｇ．?１．２?Ｉｌｌｕｓｔｒａｔｉｏｎ?ｏｆ?ｔｈｅ?ｓｔｒｕｃｔｕｒｅ?ｏｆ?ａ?ＣＮＮ??局部特征相较于全局特征可以更好的处理光照、遮挡等噪声。２００２年，Ｏｊａｌａ??丁｜１５丨提出了局部二值模式（ｌｏｃａｌ?ｂｉｎａｒｙ?ｐａｔｔｅｒｎｓ，简称ＬＢＰ），这一方法可以表示图??像局部的纹理特征。这一经典的纹理描述方法在之后被学者们不断地改进和拓展，??如多尺度块的局部二值模式％和将局部二进制与近红外图像结合提出基于主动近??红外图像人脸识别［１７］。２０１０年Ｔａｎ?Ｘ等人提出的局部三值模式是将局部二值模式??中的编码值增加为三值，之后通过改变阈值和均值增强提出了局部纹理特征集的??局部二值模式［１８］提高光照条件差时的识别性能。２０１９年，丁莲静等人＿提出一种??加权信息熵与自适应阈值环形局部二值模式算子相结合的人脸识别方法。Ｃｈｅｎ?Ｊ??等人？于２００８年提出了局部韦伯算子，其核心思想在于将人脸图像上的所有像尜??－４?－??
＝＾Ｘ＞Ｊ－Ｘ，ｉｉ）２?（２．２）??ｉｊ??通过乘法更新规则对非负矩阵Ｍ和ｔｖ上对应位置的元素进行更新，交替迭代??优化Ｍ和Ｗ后获得局部最优解。??Ｏｒｉｇｉｎａｌ??ＮＭＦ??ｆｆｅ－??一?人十■？卜?＿??Ｉ?１?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ??Ｉ?Ｉ??？一卜、—铲１十？十卜＿????－棘‘冓?４－?＾?ｍＩ??Ｄ?：、：？?Ｉ一?十疆计?晒晒??？?］?ｒ?：?ｕ?１、ｘ?斗＿??ｒ－?＃??！－＊．！！?！?！?－１?ｎ￣ｎ？￣ｎ￣ｌ?Ｉ??图２．?３非负矩阵分解算法提取特征示例??Ｆｉｇ．?２．３?Ｅｘａｍｐｌｅｓ?ｏｆ?ｆｅａｔｕｒｅ?ｅｘｔｒａｃｔｉｏｎ?ｂｙ?ＮＭＦ??局部二值模式提取局部的纹理特征用以表示图像，拥有对图片方向变化不敏??感、对灰度变化不敏感和能够多分辨率分析等优点。局部二值模式算子是将范围??内中心像素与邻域半径上的像素点进行比较，并对结果进行二进制编码。局部二??值模式算子的计算过程如下图２．２所示：位于中心的像素值与周围像素值比较大??小，当中心像素为较小值时取０，否则取Ｉ。将比较后得到的只有０和Ｉ的序列从??左上角按顺时针顺序组合得到一个二进制数，转化为十进制后的数字就是这二区??域的特征值。?丨??丨８１９?１０１?二进制序列为??１０１０１０００????２?６?９??？?０?１??？?１６８??５?２?４?０?０?０??图２．?４局部二值模式的过程??Ｆｉｇ．?２．４?Ｔｈｅ?ｐｒｏｃｅｓｓ?ｏｆ?Ｌｏｃａｌ?Ｂｉｎａｒｙ?Ｐａｔｔｅｒｎｓ??－１３?－??
【参考文献】：
期刊论文
[1]加权信息熵与增强局部二值模式结合的人脸识别[J]. 丁莲静,刘光帅,李旭瑞,陈晓文. 计算机应用. 2019(08)
[2]基于ARM和深度学习的大数据指纹识别系统设计[J]. 张莉华. 湖南科技大学学报(自然科学版). 2019(01)
[3]基于深度网络的人脸区域分割方法[J]. 杜星悦,董洪伟,杨振. 计算机工程与应用. 2019(08)
[4]Robust sparse representation based face recognition in an adaptive weighted spatial pyramid structure[J]. Xiao MA,Fandong ZHANG,Yuelong LI,Jufu FENG. Science China（Information Sciences）. 2018(01)
[5]一种新的低秩分块稀疏表示的人脸识别算法[J]. 胡昭华,赵孝磊,徐玉伟,何军. 数据采集与处理. 2015(05)
本文编号：3251631
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/3251631.html
