论文部分内容阅读
人脸识别是生物识别的一个重要研究方向,随着众多学者的不断努力和长期探索,人脸识别取得了诸多成就,但对于问题的彻底解决还存在一定的距离。近年来诸多学者在神经网络的基础上提出了深度学习,由于其超强的学习能力,现阶段已成为神经网络的主要研究方向。深度学习的提出,为人脸识别问题的彻底解决提供了新的思路。本文利用深度学习算法进行人脸识别,进一步改善人脸识别效果。本文的主要研究内容为:(1)本文首先利用现阶段性价比最高的BP神经网络(Back Propagation,BP)来进行人脸识别研究。针对BP网络在人脸识别过程中,人脸图像数据量大和易陷入局部最优的问题,提出利用主成分分析法(Principal Component Analysis,PCA)和遗传算法(Genetic Algorithm,GA)来优化BP网络,构成PCA-GA-BP网络。该网络首先利用PCA算法来处理人脸图像,减少人脸图像数据量,再通过GA算法对BP网络进行优化,提高网络性能,最后利用AR数据库和ORL数据库进行实验。实验结果表明,该算法不仅可以克服BP网络的缺陷,还能进一步提高人脸识别精度。(2)针对PCA-GA-BP网络在训练样本逐渐增大的情况下,其学习能力小范围下降的问题,提出利用具有超强学习能力的深度信念网络(Deep Belief Networks,DBNs)来替换BP网络,构成PCA-GA-DBNs网络。该网络首先利用GA算法和Gibbs采样来实现网络的逐层训练,训练完成后再利用BP网络进行微调,使其成为最优网络。然后通过AR数据库和ORL数据库进行实验,实验结果表明,PCA-GA-DBNs网络能够很好的提高人脸识别精度,实验最后还分析了不同分类器对人脸识别结果的影响。(3)针对在较大训练样本情况下,GA算法爬山能力不足,容易出现早熟收敛的问题,提出利用全局搜索能力更强且不会陷入局部最优的模拟退火遗传算法(Simulated Annealing Genetic Algorithm,SAGA)来代替GA算法,构成PCA-SAGA-DBNs网络。该网络利用SAGA算法结合Gibbs采样来逐层训练网络,训练完成后再利用BP网络对其进行微调并构造分类器。然后以AR数据库和ORL数据库为实验对象,实验结果表明该网络可以很好的克服GA算法爬山能力不足早熟收敛的缺陷,提高人脸识别精度。最后将本文改进的三种算法进行实验,通过实验结果比较得出PCA-SAGA-DBNs网络不仅具有良好的识别效果,还具有较好的稳定性,是一种较优的人脸识别方法。