基于HOG与卷积神经网络的人脸识别研究

被引：7

作者：

顾江鹏

袁和金

机构：

[1] 华北电力大学控制与计算机工程学院

来源：

软件导刊 | 2019年 / 18卷 / 03期

关键词：

HOG; 卷积神经网络; 人脸识别; 特征提取;

D O I：

暂无

中图分类号：

TP391.41 []; TP183 [人工神经网络与计算];

学科分类号：

080203 ; 081104 ; 0812 ; 0835 ; 1405 ;

摘要：

为了获取更加全面的整体与局部人脸特征,得到更高的人脸识别率,提出一种基于方向梯度直方图(HOG)特征与卷积神经网络的人脸识别新方法。该方法首先提取人脸图像的HOG特征,然后将HOG特征图像作为卷积网络的输入数据进行训练,改进网络结构,在全连接层之后采用Softmax loss和center loss两个损失函数进行监督,最后在训练得到的网络模型上对人脸图像进行识别操作。实验结果表明,该方法在ORL人脸集上的识别率达到97.5%,相比于其它人脸识别算法具有一定优越性。

引用

页码：20 / 24

页数：5

共 17 条

[1]

Convolutional neural network for face recognition with pose and illumination variation. SYAFEEZA A R,KHALIL-HANI M,S. S. Liew,,et al. International Journal of Computational Intelligerce&Applications . 2015

[2] 基于深度卷积神经网络的人脸识别技术综述 [J].

景晨凯 ;

宋涛 ;

庄雷 ;

刘刚 ;

王乐 ;

刘凯伦 .

计算机应用与软件, 2018, 35 (01) :223-231

[3] 一种改进的人脸识别CNN结构研究 [J].

张国云 ;

向灿群 ;

罗百通 ;

郭龙源 ;

欧先锋 .

计算机工程与应用, 2017, 53 (17) :180-185+191

[4] 基于改进的深度卷积神经网络的人脸识别 [J].

吴尧 ;

邱卫根 .

计算机工程与设计, 2017, 38 (08) :2246-2250

[5] 卷积神经网络研究综述 [J].

周飞燕 ;

金林鹏 ;

董军 .

计算机学报, 2017, 40 (06) :1229-1251

[6] 人脸识别技术综述 [J].

何春 .

智能计算机与应用, 2016, 6 (05) :112-114

[7] 多姿态人脸识别综述 [J].

邹国锋 ;

傅桂霞 ;

李海涛 ;

高明亮 ;

王科俊 .

模式识别与人工智能, 2015, 28 (07) :613-625

[8] 基于主成分分析和Softmax回归模型的人脸识别方法 [J].

汪海波 ;

陈雁翔 ;

李艳秋 .

合肥工业大学学报(自然科学版), 2015, 38 (06) :759-763

[9]

Deep Learning Face Representation from Predicting 10,000 Classes. Sun Y,Wang X,Tang X. Computer Vision and Pattern Recognition . 2014

[10]

HOG and LBP Towards a robust face recognition system. Ghorbani M,Targhi A T,Dehshibi M M. Tenth International Conference on Digital Information Management . 2016

← 1 2 →