卷积神经网络在人脸识别上的研究

卷积神经网络在人脸识别领域里已经有非常好的结果,在LFW(Labeled Faces in the Wild)数据集上的认证识别率已经达到99%以上,超出人的识别率.然而这些网络需要训练庞大的参数或者需要巨大的数据集.通过构造一个比较小的网络,极大地减少了训练参数,并且在有限的训练集上得到了比较好的识别率.为了深入了解卷积神经网络,做了很多实验.例如,比较了在激活层前和激活层后加入正则化对网络训练的影响,同时比较了提取不同的特征维度对实验准确率的影响,另外也比较了欧式距离和余弦距离对实验的影响.通过实验结果我们发现正则化在激活层之前的网络识别率更高,使用余弦距离比使用欧氏距离会有更高的识别率,特征维度越大,人脸识别率越高.     

基于卷积神经网络的带遮蔽人脸识别

基于卷积神经网络Inception-ResNet-v1模型进行训练与学习,实现了在添加遮挡干扰因素下的人脸识别。将图像嵌入到d维度的欧几里得空间,采用Triplet Loss作为损失函数,直接学习特征间的可分性。选取LFW(labeled faces in wild)数据集和摄像头采集的人脸图片制作训练集和测试集。结果表明,模型在眼部被遮挡的情况下识别率为98. 8%,在嘴部被遮挡的情况下识别率为98. 6%,在眼部和嘴部同时被遮挡的情况下识别率为96. 9%。模型在遮挡率为20%～30%时,识别率能够达到98. 2%。从实验结果可以得出,模型在一定遮挡的情况下能得到较好的识别效果。     

基于LBP与卷积神经网络的人脸识别

卷积神经网络在人脸识别上有较好的效果,但是其提取的人脸特征忽略了人脸的局部结构特征.为了提取更加全面的人脸特征,提出一种基于局部二值模式(local binary pattern,LBP)与卷积神经网络相结合的新方法.首先,提取人脸图片的LBP特征图像,然后把LBP图像与原RGB图像结合作为网络输入数据,并且使用随机梯度下降法训练网络参数,最后用训练得到的网络模型对人脸图片进行识别.通过在LFW(labeled face in the wild)人脸识别数据库上的实验表明,在卷积神经网络中加入LBP图像信息可以提高人脸识别的准确率.另外,当增加训练数据时,提出的方法得到的识别率会进一步提高,更说明提出方法的有效性.     

基于多层特征深度融合的卷积神经网络人脸识别方法

针对传统神经网络在人脸图像的训练过程中没有将高低卷积层信息进行融合,为充分利用图像各层特征信息,提出一种基于三层特征融合的全连接卷积神经网络模型,算法将原有网络最后三层特征结合,并将提取的特征信息与最后一层全连接层结合,从而增加了浅层特征的表达,加强了深层特征的提取效果,促使改进后的卷积神经网络提取的信息更加完备;同时将损失函数和中心函数加权联合,以提高人脸图像的识别率和区分性.在CASIA-webface人脸数据库进行的实验结果表明,改进后的网络模型识别率达到98. 7%,优于DCNN等算法,并将训练好的网络模型应用到YALE、PERET、LFW-A等人脸库上,相比其他方法识别率都有所提升.     

深度卷积神经网络的判别性人脸识别算法

针对Softmax(柔性最大值)损失对特征只有可分性的不足,提出一种基于深度卷积神经网络的判别性人脸识别算法.该算法首先根据Softmax损失特征分布,在特征和权重向量间施加一个类内余弦相似性损失,使类内更加紧凑,类间尽可能分离;然后在Softmax损失基础上通过归一化特征来更好地模拟低质量人脸图像,并通过归一化权重来减轻类别不平衡,使与测试时的余弦相似性度量一致;最后联合归一化的Softmax损失和类内余弦相似性损失在预训练模型上进行微调.该算法在人脸识别基准测试集LFW(户外人脸标记)和YTF(You Tube人脸数据库)上分别取得了98.72%和93.38%的识别率,实验结果表明:在大规模人脸身份识别中,该算法提高了特征的判别性,增强了模型的泛化能力,能有效提高人脸识别率.     

结合批归一化的轻量化卷积神经网络分类算法

传统的深度卷积神经网络结构复杂,参数量多.针对现有的轻量化卷积神经网络模型结构,提出一种改进的轻量化卷积神经网络BN-MobileNet.采用模型压缩的方法对原结构进行缩减,减少冗余参数,再对深度可分离卷积的结构进行改进,在relu非线性激活层后加入归一化层来对非线性激活层所输出的数据进行归一化处理.同时,使用全局平均...     

基于分数阶微分的卷积神经网络的人脸识别

近年来,人脸识别技术作为一种用来抓取生物面部特征信息以及匹配现有数据库中人脸数据的有力手段,以其无接触性、可远距离实施等优点在越来越多的场景中得到了应用.针对在自然无约束条件下,受到光照、姿势和背景环境等因素的影响,设备捕捉到的人脸图像在现有的人脸识别模型中识别率依然不足的情况,本文提出了一种基于分数阶微分改进的残差网络(ResNet)人脸识别方法.本方法通过在原有网络模型结构中增加注意力机制来增强人脸特征提取,融合不同通道和空间的信息提升网络的健壮性,同时利用分数阶微分对节点函数进行处理,增加卷积块提取更多的人脸细节信息,最后使用ArcFace损失函数来优化模型,在网络中进行迭代训练完成人脸识别.实验结果显示:改进后的网络模型在现有的一些数据集(如LFW、AgeDB-30、CFP-FP等)上表现出更好的识别性能和更强的鲁棒性.     

基于深度卷积神经网络与中心损失的人脸识别

传统人脸识别方法手工设计特征过程复杂、识别率较低,对于开集人脸识别通用深度学习分类模型特征判别能力较弱。针对这两方面的不足,提出了一种以分类损失与中心损失相结合作为模型训练监督信号的深度卷积神经网络。首先,利用构建的应用场景数据集优调从公共数据集获得初始化参数的深度人脸识别模型,解决训练数据过小和数据分布差异问题,同时提高模型训练速度;然后,以传统损失函数和新的中心损失作为迁移学习过程中的监督信号,使得类内聚合、类间分散,提高模型输出人脸特征的判别能力;最后,对人脸特征进行主成分分析,进一步去除冗余特征,降低特征复杂度,提高人脸识别准确率。实验结果表明,与传统人脸识别算法相比该算法可以自动进行特征提取,并且相对于通用深度学习分类模型该算法通过度量学习使特征表示更具判别力。在自建测试集和LFW、YouTube Faces标准测试集上都取得了较高的识别率。     

基于改进的卷积神经网络多姿态人脸识别研究

针对目前的人脸识别算法在面对不同姿态下的人脸图像时识别率低的问题,提出了一种基于改进的卷积神经网络的算法。该算法通过对经典的卷积神经网络LeNet-5 的卷积核数目、卷积核尺寸、池化层方式和正则化手段等参数进行了优化改进,从而能对多姿态人脸图像特征进行有效提取。仿真实验结果表明,该算法在识别率与识别时间上均有显著提高。     

脉冲耦合神经网络的人脸识别方法

 在脉冲耦合神经网络(PCNN,pulse coupled neural network)中,基于神经元脉冲震荡的时间序列概念,利用平均时间序列和平均欧氏距离的方法实现了人脸识别.实验仿真表明了该方法的有效性,对不同人脸和复杂表情的人脸均具有较好的识别效果.     

基于自编码卷积神经网络的图像去噪算法

为了实现更高效的图像去噪,提出一种新的自编码卷积神经网络图像去噪算法.新算法改变了卷积层的激活函数和整个网络跳跃连接的方式,并在学习率的选取上有了一定改进.新模型结构设计简单,卷积网络层数更少.数值实验表明,新模型比原模型运行时间更少、视觉效果更好、峰值信噪比更大.     

多通道卷积神经网络图像识别方法

为了更好地利用图像数据中隐含的特征信息,将多方向梯度信息作为边缘信息的基本表达,提出了一种基于图像梯度的多通道卷积神经网络图像识别方法。先将图像进行Sobel算子处理,得到水平方向、垂直方向及两个对角方向的4个梯度图像。然后,建立4个多层卷积神经网络,学习4个不同方向梯度图像的特征。再将4个不同方向的特征进行随机化特征融合,得到样本的特征后经过批标准化处理。最后,通过分类器得到分类结果。在数据库Cifar-10和MNIST上进行了验证,验证结果表明:本文提出的模型具有较好的泛化能力,相比单通道卷积神经网络,在两个数据库中识别错误率分别降低了9.85%和0.38%。     

基于深度卷积稀疏自编码分层网络的人脸识别技术

面对海量人脸图像识别,传统特征提取方法难以提取有效特征,造成人脸识别准确率较低。提出了一种鲁棒的人脸特征提取算法,即利用深度卷积稀疏自编码网络自动学习人脸中丰富且识别力高的特征。该方法将卷积操作融入自编码网络中,同时加入稀疏化思想,从而形成深度卷积稀疏自编码分层网络(hierarchical deep convolution sparse autoencoder,HDCSAE);用该网络自动提取海量人脸图像的高层鲁棒特征,并将提取的特征作为SVM分类器的输入得到分类结果。在FERET人脸数据库下对该方法进行测试,识别率达到99.47%,比传统的基于提取人为定义特征的人脸识别方法的识别率有所提高。     

改进Softmax分类器的深度卷积神经网络及其在人脸识别中的应用

提出了一种有效的特征学习方法,构建了9层结构的卷积神经网络,利用Softmax回归算法进行人脸分类识别.卷积神经网络在输出层利用改进的Softmax进行分类,在隐藏层采用修正线性单元作为激活函数,并在网络中加入局部响应归一化处理,有效避免了梯度消失问题.利用大量人脸图像数据对网络进行预训练,得到较好的网络初始权重.在针对YALE,FERET,LFW-A等人脸数据库进行人脸识别实验中,与现有的几种人脸识别方法 SDAEs,RRC,MPCRC,CRC,SRC等进行对比表明,该方法在各人脸数据库的识别中均得到较高的识别率.     

基于改进的卷积神经网络图像识别方法

当前的图像特征识别大多采用的是传统的机器学习方法与卷积神经网络方法。传统的机器学习对图像识别的研究,特征提取多是通过人工完成,泛化能力不够强。最早的卷积神经网络也存在诸多缺陷,如硬件要求高,需要的训练样本量大,训练时间长。针对以上问题,提出了一种改进的神经网络模型,在LeNet-5模型的基础上并在保证识别率的情况下,简化网络结构,提高训练速度。将改进的网络结构在MINIST字符库上进行识别实验,分析网络结构在不同参量中的识别能力,并与传统算法进行对比分析。结果表明提出的改进结构在当前识别正确率上,明显高于传统的识别算法,为当前的图像识别提供新的参考。     

基于卷积神经网络的心律失常分类方法

使用一种组合式心拍分割方法,利用带通滤波对原始心电数据进行降噪处理,实现QRS波群定位和心拍截取;设计7层的一维卷积神经网络（convolutional neural network,CNN）模型,对正常搏动（N）、左束支传导阻滞（L）、右束支传导阻滞（R）、室性早搏(V)4类心拍数据自动分类检测,从而完成4类心律失常的分类。以MIT BIH心律失常数据库47条数据进行训练,结果显示,其准确度为9900%,召回率为9908%;与相关文献的研究方法对比,本方法具有较高识别精度,能有效解决人工对心电图识别的误诊、错诊问题。     

基于卷积神经网络的行人检测方法

针对行人检测算法未能充分利用行人的特征信息,导致对行人的检测效果不佳问题,本文对无锚框的行人检测网络模型CSP进行了相应改进,提出了一种基于卷积神经网络的行人检测算法.首先,将原主干网络由ResNet-50加深为ResNet-101,然后引入卷积块注意力模块(CBAM)来提高原网络对小尺度行人中心点的特征表达,加入基于...     

人脸识别中利用眼球进行人脸归一化

人脸识别中,人脸的归一化处理是至关重要的一个环节,以此为基础可使得人脸的整体分析和识别变得容易和准确。算法首先利用人脸的垂直积分投影曲线获得人脸的左右边界,然后利用水平积分投影曲线获得人眼所处的大致水平位置,进而裁剪出这个包含人眼的大致区域。在此基础上利用Canny算子求出眼睛区域的边缘图像,然后对边缘像素进行聚类,再利用Hough变换的改进方法求出左右眼球中心的精确位置,最后利用中心瞳孔的位置进行人脸的归一化处理。经实验验证,该方法速度快、精确度高,受表情、偏转和光照的影响小。经本方法校正后,后续的识别正确率得到了提高。     

基于卷积神经网络(CNN)和CUDA加速的实时视频人脸识别

为了兼顾视频人脸识别中识别准确率和实时性,提出了基于卷积神经网络(CNN)和CUDA加速的实时视频人脸识别方法。构建了一个6层结构的CNN人脸识别网络,在视频帧中通过Adaboost算法检测到的人脸输入所构建的CNN中进行视频人脸识别,结合CUDA并行计算架构,对算法进行加速。此外为了更适用于实际视频监控情况,通过对CNN网络结构末尾Softmax分类器的分类结果进行多级判决引入了开集人脸识别功能。从多个角度对该方法进行了实验验证,结果证明,此方法可满足识别准确率和实时性要求,同时对于视频中人脸姿态变化、光照变化、距离远近等都具有良好的鲁棒性。     

基于局部分阶段归一化的复杂光照人脸识别

以往算法通过低通、高通滤波的模式实施人脸图像的光照、光照不变量的估计,存在邻域像素信息混杂的问题,无法准确地从人脸图像中提取人脸本征.考虑邻域像素成像光照的相关性,提出基于邻域像素成像光照消除的局部分阶段归一化光照不变特征提取模型,可获取人脸图像的多细节光照不变特征,并通过内积度量构建基于多层次匹配的类别鉴别方法.Yale B和Extended Yale B人脸库上的试验结果表明,该算法能明显提高复杂光照人脸识别性能,明显优于当前先进算法.