论文部分内容阅读
人脸识别技术是目前热门的生物识别技术之一,已经成为机器视觉、模式识别和人工智能领域的热门话题,在信息安全、智能监控、人机交互等众多领域有着广泛的应用。针对传统人脸识别方法所提取的人脸信息特征较为单一,且分类算法存在局限性,导致在非受控环境下识别的准确性和鲁棒性不足的问题,本文围绕人脸图像的特征提取和模式分类器的选定两大关键技术问题展开研究,提出了一种多融合特征与深度神经网络结合的人脸识别算法。(1)在特征提取上,针对单一特征无法完整、高效表达人脸面部信息的问题,本文结合改进的局部二值模式特征(TPLBP)与梯度方向直方图(HOG)的优点,利用特征融合的思想,提出了一种将TPLBP特征和HOG特征相融合的特征构造策略。该方法首先分别提取分区人脸图像的TPLBP特征和全局人脸图像的HOG特征,然后将两种不同的特征向量按照串级联合的方式构建得到一个新的TPLBP/HOG融合特征向量。考虑到原始的融合特征维数较大,为了加快训练速度,本文利用PCA方法对TPLBP/HOG融合特征进行了降维处理。(2)在模式分类器方面,针对深度置信网络(Deep Belief Network,简称DBN)对人脸图像自主特征学习的过程中,无法分辨图像噪音与目标信息,容易把噪音误判为目标信息,并且可能会忽略重要的人脸纹理信息,无法高效、完整地学习到人脸图像信息的问题,本文提出一种在多特征信息融合的基础之上结合深度置信网络对人脸进行深度训练并进行识别的方法。具体实施步骤可以归纳为:首先采取对比度受限自适应均衡化算法对灰度化的人脸图像进行预处理,从而削弱光照对于人脸识别的影响;之后将提取到的人脸图像的TPLBP纹理特征和HOG结构特征进行特征融合,得到信息互补的融合特征;最后,将降维后的融合特征作为DBN的输入,通过对DBN深度模型的参数的动态搜索确定最佳值后,基于训练好的深度置信网络实现人脸图像样本的识别。为了验证本文提出的的人脸识别算法的有效性,选择ORL,AR、Yale和LFW人脸数据库验证,结果表明:(1)在不可控的环境下,TPLBP/HOG融合特征优于单一特征的人脸图像信息的表征,反映了基于全局人脸图像HOG特征和分区人脸图像TPLBP特征具有很好的互补作用,本文提出的TPLBP/HOG融合特征能更全面的表达人脸图像信息;(2)本文提出的多融合特征与深度置信网络结合方法相较于传统的SVM、KNN和DBN算法准确率有很大提高,鲁棒性强;相较Deep CNNs算法,识别率略低,但识别效率更高;(3)TPLBP/HOG+DBN算法在人脸识别速度、人脸识别精度、人脸特征提取以及计算机配置要求四个方面均符合大宗人群非限制性场景下人脸识别的应用要求,TPLBP/HOG+DBN算法在大宗人群非限制性场景下应用空间和潜力较大。