论文部分内容阅读
人脸识别技术因其在生物识别技术中的各种优势而越来越被大家所重视,也因而更加成功地应用于身份识别等领域。但现实环境中因光照、遮挡、人脸表情、人脸姿态等因素变化而带来的影响依旧是人脸识别研究亟需解决的问题。为了更好地解决这些问题,基于稀疏表示的分类以及深度学习被应用于人脸识别。因此,本文对这两类算法的研究现状与相关工作进行了分析,以这两类算法作为基础,进行了以下两方面工作。为了解决表情、姿态、遮挡等因素带来的问题,我们提出了基于部件的SRC方法,对每个部件单独进行分类之后判别部件受影响程度,抛弃受影响过大的坏部件,将剩余的好部件重构成全局人脸并重新进行分类判别。为了应对实际应用中不断新增的训练样本以及类别这一增量问题,我们提出了增量SRC方法,依照“分而治之”思想,我们将对训练样本进行分组,每组独立进行字典构造以及分类判别,并提出了基于分组字典的分类判别规则。本文所实现的增量SRC算法,在训练样本分为2组情况下,采用半数样本训练时在ORL数据库上和AR数据库上准确率分别为97.5%和95%,单样本训练时准确率分别为76.94%和75.69%。从结果中可以看出本文实现的增量SRC算法具有很好的鲁棒性,而且能很好地处理单样本训练情况。深度学习中网络的构造是研究者们关注的热点,因此我们根据应用于人脸识别的DeepFace和DeepID网络,对应用于手写数字识别的lenet-5网络进行改动。我们通过对网络中池化层的数目,卷积层的数目,Dropout层的使用,激活函数的使用,多尺度特征的使用,全连接层中神经元的数目等方面在lenet-5网络基础上进行改动,并将改动后的网络用于AR数据库和CMU数据库,最后对识别结果进行了分析和讨论,可作为人脸识别网络构建的有效参考。