论文部分内容阅读
随着计算机视觉的相关理论与应用研究的快速发展,计算机视觉技术在日常生活中的优势日益突显出来。本文主要研究了基于深度学习的人脸识别算法技术,以深度学习算法理论为核心,介绍卷积神经网络模型的结构与原理,深度卷积神经网络模型相比较于传统的人脸识别方法,不需要人工进行复杂而耗时的特征提取算法设计,只需要设计有效的神经网络模型。本文研究重点在于构建改进的VGG-Net卷积神经网络模型,并用改进的网络模型提取人脸图像特征,结合主成份分析算法与支持向量机算法,达到人脸识别的目的。论文的主要研究内容如下:(1)论文先从生物神经元与单层感知器、梯度下降、BP算法(Error Back Propagation)展开阐述,然后以经典神经网络模型LeNet-5为例,介绍卷积神经网络的卷积层、下采样层、全连接层等,说明了卷积神经网络的基础理论知识与一般整体结构。(2)使用改进的VGG-Net卷积神经网络实现对原始人脸图像的特征提取,为更大程度的提取目标图像详细特征,改进的VGG-Net在原来模型的基础上保留前两个全连接层,删除最后一个全连接层,并在原来模型中的最后一个模块中增加卷积核的数量,采用平均池化代替原始的最大池化。(3)将改进的VGG-Net卷积神经网络与传统人脸识别算法PCA(Principle Component Analysis)与算法SVM(Support Vector Machine)结合,对提取后的特征图像利用主成份分析算法降低特征图像的维度,最大限度的保留原始特征图像的信息,最后运用支持向量机算法对降维后的特征图像进行分类。(4)将本文算法应用于FLW人脸数据库,并与传统人脸识别算法、参考文献算法与本文算法进行比较,辩证验证本文算法的可行性。实验在Tensorflow架构下结合Python与C++语言实现验证。