论文部分内容阅读
近半世纪以来,生物识别技术的飞速发展给人们生活各方面带来了极大的方便。其中,人脸识别以其特有的优势,得到了广大研究者的关注。然而,人脸识别技术在不断进步的同时,也面临着诸多亟待解决的问题,如传统的识别算法识别过程中特征的选取及提取成为直接影响识别结果的决定性因素,且二维人脸识别中,缺少人脸空间立体信息,不符合人眼视觉三维的、抽象的特点。这些问题成为人脸识别技术发展及商业推广的瓶颈。正是由于传统识别算法的局限性及识别率随样本数量增大趋于饱和的特点,学者们将目光投向了深度学习方法(Deep Learning)。同时,廉价RGB-D传感器的普及使三维人脸信息的广泛应用成为可能,三维人脸识别的研究以其能够充分利用人脸深度信息,能够克服二维识别中光照、表情、姿态影响的特点成为人脸识别领域的研究方向。因此,本论文将深度学习方法应用到三维人脸识别技术中,设计了深度学习网络对特征自动进行提取,成功避免了特征选择的影响,同时在原有二维数据的基础上增加了样本的深度信息,增强了识别系统对光照、表情等影响因素的鲁棒性。首先,将三维人脸点云数据转为深度图形式。对二维人脸(灰度/彩色)图像及深度图进行脸部提取及归一化,以提高识别系统的效率。之后,将改进的深层卷积神经网络(Deep Convolutional Neural Networks,DCNN)与soft-max分类器相结合,分别设计二维人脸图像及深度图的特征提取层网络,利用数据库进行训练的识别测试,以识别率最大化为原则优化特征提取。将两个特征层输出相融合作为识别层的输入,再经训练集进行训练后得到完整的Deep Learning识别网络。最后,对该三维人脸识别系统进行了测试并与传统二维识别方法进行比较,以验证本论文设计的识别系统的合理性及可行性。实验结果表明,本论文识别方法对不同测试集测试得到的结果具有较好的稳定性,与其他识别方法相比,本论文设计的方法在识别正确率上得到了可观的提高。