基于宽度学习网络的人脸识别

发布时间：2021-11-23 03:52

　　人脸是一种相对稳定的生物特征,也是一种安全度比较高的身份认证方式。由于应用前景广阔,人脸识别引起了很多学者的研究兴趣。到目前为止,研究人员提出了很多识别算法,其中有些算法逐步成熟,已经在安保、金融以及无人驾驶等领域得到了实际应用。近年来,基于深度学习的人脸识别成为热点并且得到了很高的识别率。但基于深度学习的人脸识别算法模型训练时间长,计算复杂性高并要占用大量的计算资源。针对此问题,本文基于宽度学习这一新的机器学习方法,研究了人脸识别问题,主要工作如下:首先,提出了一种基于宽度学习的人脸识别算法。该算法首先利用灰度直方图均衡化消除光照的影响,再用Fisher鉴别准则提取人脸特征形成Fisher特征脸,所得到的特征作为宽度学习网络的输入用于训练宽度模型。由于宽度学习网络是单隐层网络,采用最小二乘类算法训练,训练时间大大缩短。另外,除了直接输入的人脸Fisher特征外,宽度网络的特征增强层还进一步将Fisher特征进一步增强,间接利用了人脸的深层次特征。实验结果表明,本算法在占用较少计算资源的情况下,获得了较高的识别准确率。其次,提出了一种基于宽度学习的表情识别算法。与文献中的其他算法不同,... 

【文章来源】：燕山大学河北省

【文章页数】：58 页

【学位级别】：硕士

【部分图文】：

不同分

燕山大学工学硕士学位论文征向量重构出的特征脸。图像的原始尺寸为112×92，从图中可以看到，随着特征向量数量的增加，特征脸越清晰。在轮廓特征方面，图2-1（f）得到的特征脸几乎等于原始图像，此时的数据维度为1×92。达到了降维的效果。a)原始图像b)20个特征向量c)30个特征向量d)50个特征向量e)80个特征向量f)92个特征向量图2-1不同分辨率图像2.1.2LDA特征提取LDA作为一种经典的特征提取方法。通过计算最小化类内散度矩阵和最大化类间散度矩阵，在线性的子空间内寻找出投影的最佳方向。通过加入人脸标签实现监督式学习，能够提取到样本类间存在的信息。图2-2展示了两类样本通过LDA寻找到最佳的投影方向。22.533.544.555.5602468图2-2LDA寻找投影方向假设，样本训练集为V=(v1,v2,...,vm),V∈Rn×m，其中，n为像素值，m为-12-


本文编号：3513068