基于深度学习的人脸识别研究

在实际应用中,如监控系统中,采集到的人脸图像往往是具有多种姿态变化的,并且图像分辨率偏低。受姿态变化和分辨率低的影响,造成的人脸图像识别性能的迅速下降,而姿态变化是人脸识别中一个最为突出的难题。姿态变化将非线性因素引入了人脸识别中。而现有的一些机器学习方法(如只有一个隐层的神经网络、核回归,支撑向量机等)大都使用浅层结构。心理学研究表明对于有限数量的样本和计算单元,浅层结构难以有效地表示复杂函数,并且对于复杂分类问题表现性能及泛化能力针均有明显的不足,尤其当目标对象具有丰富的含义。深度学习可通过学习一种深层非线性网络结构,实现复杂函数逼近,表征输入数据分布式表示,并体现了它对于输入样本数据的强大的本质特征的抽取能力。因此本文运用深度神经网络的方法克服姿态变量和图像分辨率的影响,提出了一种多姿态的人脸超分辨识别算法并在实验数据集上获得了良好的性能表现。 另外本文利用深度信念网络探索正面人脸图像和侧面人脸图像的映射,方法放松了深度信念网络的输入也输出之间绝对相等,而只是保证其高层含义上的相等。实验表明了使用深度信念网络可以学习到侧面人脸图像到正面人脸图像的一个全局映射,但是丢失了个体细节差异。本文还提出了基于深度网络保持姿态邻域进行姿态分类的方法,在学习过程中,我们保证了同一个姿态下的人脸图像应该与同一姿态下的多张图像互为邻居。实验证明了,我们的方法在用于姿态分类具有非常良好的性能,但是也发现学习过程中,那些与区别个体的信息逐渐丢失了,这也导致了直接运用非线性近邻元分析的特征的人脸识别的性能不佳。 本文是一篇基于深度学习在人脸识别姿态和分辨率问题上的研究,此外,本文还探索了深度信念网络在人脸姿态处理中的潜在应用,如姿态映射和姿态分类。