论文部分内容阅读
人脸识别算法通过从人脸的图像中提取标志或特征来识别人脸特征。例如,基于PCA的人脸识别、基于LBP的人脸识别、基于神经网络的人脸识别,使用这些特征来搜索具有匹配特征的其他图像。卷积神经网络在人脸识别方面具有比其他算法较好的效果。首先,它需要一个合理的神经网络模型,通过这个模型来进行大量的训练,来完成人脸识别,获得误识别率。本文的研究是构造并改进一个合理的网络模型,并将其用于人脸识别中,解决由于光照因素、遮挡因素、表情因素等引起的影响识别率的问题,使人脸识别的效果比使用其它方法进行人脸识别的方法好。本文以经典的LeNet结构的卷积神经网络为基础,通过加深和拓展来构建几个不同的卷积神经网络模型,并以这几个模型来进行人脸识别的研究:(1)本文首先对人脸识别方面以及卷积神经网络方面的基础知识进行归纳,并以经典的LeNet-5为例子进行了详细分析。(2)本文介绍了卷积神经网络在人脸识别中的优势和应用,然后分别在三个不同人脸库上使用三个网络进行人脸识别,比较最大值池化和平均值池化的池化方式、ReLU激励函数和tanh激励函数在三个网络上的误分类率,分析是否能够解决传统人脸识别中的光照因素、遮挡因素等引起的问题。最后与传统的人脸识别方法比较识别效果。(3)论文构建了一个应用于人脸识别领域的深度卷积神经网络模型,并对模型进行融合改进,构建出一个多列深度卷积神经网络,以此为基础进行仿真研究。在自建人脸库和LFW人脸库识别,发现改进的深度卷积神经网络比一般卷积神经网络可以更好地解决光照因素、遮挡因素等影响识别率的问题。