门限玻尔兹曼机在人脸识别中的鲁棒性研究

发布时间：2017-06-09 17:07

  本文关键词：门限玻尔兹曼机在人脸识别中的鲁棒性研究，由笔耕文化传播整理发布。

【摘要】：人脸信息作为生物特征中最重要的一种,具有极易获取、多信息量、舒适感强、可靠性高的特点,愈来愈广泛地被应用在需要身份识别的领域。然而,识别过程中存在很多影响因素,包括年龄、表情、发型、眼镜、光照、角度、姿态等,给人脸识别技术带来了巨大的挑战。本文基于深度学习在图像识别的相关理论,分析了深度学习的基本模型和方法,并在相关人脸数据集上实验应用；并且提出了一种改进算法,具体工作内容如下：(1)深入研究了玻尔兹曼机及其鲁棒性较强的衍生结构：限制玻尔兹曼机(RBM),掀起深度学习浪潮的深度信念网络(DBN),卷积限制玻尔兹曼机(CRBM),高斯玻尔兹曼机(Gaussian RBM),门限的玻尔兹曼机(Gated RBM)等模型结构与特点。(2)分析卷积神经网络(Convolutional Neural Networks,CNNs)的基本原理,训练过程和模型结构。其中卷积层通过卷积运算,可以使原信号增强,并且降低噪声,提高信噪比；降采样对卷积层的图像进行子抽样,在保证了有用信息不降低的基础上,减少数据处理量。(3)研究了以上深度学习模型结构与特点后,针对人脸识别中面临的不可控因素问题,设计了卷积门限的玻尔兹曼机结构。详细推导了卷积门限玻尔兹曼机模型的能量函数和推断。文章中实验针对提出的卷积门限玻尔兹曼机算法的训练效果和在遮挡数据下进行测试。文中使用常见的人脸识别中具有鲁棒性的算法与本文算法对比,经过对比文中的降噪性能与识别性能较另外几种算法优秀。
【关键词】：深度学习 不可控环境人脸识别 玻尔兹曼机 鲁棒性
【学位授予单位】：北京交通大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TP391.41
【目录】：

• 致谢5-6
• 摘要6-7
• ABSTRACT7-10
• 1 引言10-21
• 1.1 课题研究背景10-13
• 1.2 国内外研究现状13-18
• 1.2.1 国内外人脸识别研究现状13-15
• 1.2.2 国内外深度学习方法研究现状15-16
• 1.2.3 基于深度学习方法的生物特征识别应用的研究现状16-18
• 1.3 课题研究主要内容18-19
• 1.4 本文组织结构19-21
• 2 深度学习模型进展研究21-40
• 2.1 人工神经网络(ANN)21-25
• 2.1.1 单个神经元21-22
• 2.1.2 神经网络模型22-24
• 2.1.3 前馈反向传播算法24-25
• 2.2 常见深度学习模型25-30
• 2.2.1 卷积神经网络(CNNs)27-28
• 2.2.2 玻尔兹曼机(BM)28-30
• 2.3 玻尔兹曼机衍生模型30-39
• 2.3.1 限制玻尔兹曼机(RBM)30-34
• 2.3.2 深度信念网络(DBN)34-35
• 2.3.3 卷积限制玻尔兹曼机(Convolutional RBM)35-37
• 2.3.4 高斯玻尔兹曼机(Gaussian-RBM)37-38
• 2.3.5 单一门限的玻尔兹曼机(Gated-RBM)38-39
• 2.4 本章小结39-40
• 3 卷积门限玻尔兹曼机40-45
• 3.1 门限玻尔兹曼机结构40-43
• 3.1.1 玻尔兹曼机模型总结40-41
• 3.1.2 门限玻尔兹曼机模型结构41-42
• 3.1.3 卷积门限玻尔兹曼机模型结构42-43
• 3.2 门限玻尔兹曼机模型参数调整43-44
• 3.3 本章小结44-45
• 4 实验仿真及结果分析45-55
• 4.1 实验仿真45-49
• 4.1.1 训练效果45-47
• 4.1.2 去噪实验效果47-49
• 4.2 识别实验49-53
• 4.2.1 Yale人脸数据库49-51
• 4.2.2 AR人脸数据库51-52
• 4.2.3 Yale Extended B人脸数据库52-53
• 4.3 调节参数总结53-54
• 4.4 本章小结54-55
• 5 总结与展望55-57
• 5.1 总结55
• 5.2 展望55-57
• 参考文献57-61
• 作者简历及攻读硕士学位期间取得的研究成果61-63
• 学位论文数据集63

【相似文献】

中国期刊全文数据库 前3条

1 刘来福，唐志宇，匡锦瑜;向量玻尔兹曼机[J];北京师范大学学报(自然科学版);1996年04期

2 秦胜君;卢志平;;基于限制玻尔兹曼机的无极性标注情感分类研究[J];科学技术与工程;2013年35期

3 ;[J];;年期

中国硕士学位论文全文数据库 前7条

1 李娟;基于RBM的小分子活性及选择性研究[D];兰州大学;2015年

2 叶睿;基于深度学习的人脸检测方法研究[D];哈尔滨工业大学;2015年

3 张卫东;深度信念网络及其在手写字体识别中的应用[D];成都理工大学;2015年

4 施维劏;门限玻尔兹曼机在人脸识别中的鲁棒性研究[D];北京交通大学;2015年

5 王海麟;通过信息几何方法挖掘玻尔兹曼机的不变性[D];天津大学;2014年

6 仝少敏;基于受限玻尔兹曼机的面部运动识别方法研究[D];哈尔滨工业大学;2014年

7 李平;监督概率主题模型研究[D];安徽工业大学;2014年

  本文关键词：门限玻尔兹曼机在人脸识别中的鲁棒性研究，，由笔耕文化传播整理发布。

本文编号：436092