基于深度學(xué)習(xí)的人臉識(shí)別技術(shù)研究.pdf

1、隨著人工智能的快速發(fā)展，如何準(zhǔn)確、有效的識(shí)別用戶身份，提升信息安全成為一項(xiàng)重要的研究課題。相較于傳統(tǒng)的卡片識(shí)別、指紋識(shí)別和虹膜識(shí)別，人臉識(shí)別具有許多優(yōu)點(diǎn)。它的非接觸性、非強(qiáng)制性和并發(fā)性，易被用戶所接受，已廣泛應(yīng)用于教育、電子商務(wù)等多個(gè)領(lǐng)域。
　　深度學(xué)習(xí)是機(jī)器學(xué)習(xí)領(lǐng)域中的新興分支之一。與傳統(tǒng)淺層網(wǎng)絡(luò)不同，深度學(xué)習(xí)受人腦工作機(jī)制啟發(fā)，構(gòu)建了深層網(wǎng)絡(luò)結(jié)構(gòu)和相應(yīng)的訓(xùn)練方法。深度卷積神經(jīng)網(wǎng)絡(luò)(deepconvolution neural

2、networks，DCNN)源于多層前向網(wǎng)絡(luò)，經(jīng)過(guò)不斷發(fā)展，已成為當(dāng)前圖像識(shí)別領(lǐng)域的研究熱點(diǎn)。它依靠深層非線性網(wǎng)絡(luò)結(jié)構(gòu)和大規(guī)模的訓(xùn)練數(shù)據(jù)，實(shí)現(xiàn)復(fù)雜函數(shù)逼近，從而獲得更本質(zhì)和魯棒的圖像特征，有效提升了后續(xù)分類與識(shí)別的效果。
　　近年來(lái)隨著深度卷積神經(jīng)網(wǎng)絡(luò)的引入，人臉識(shí)別的準(zhǔn)確率得以跨越式提升。然而，不同模型的訓(xùn)練集和網(wǎng)絡(luò)結(jié)構(gòu)差異較大，使得每個(gè)模型都有各自的特點(diǎn)。對(duì)此，本文研究了一種基于深度多模型融合的人臉識(shí)別方法，通過(guò)融合多個(gè)人臉識(shí)

3、別模型提取的特征構(gòu)成組合特征，再利用深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練組合特征構(gòu)建人臉識(shí)別分類器，可以得到融合多個(gè)模型優(yōu)點(diǎn)的改進(jìn)模型。主要的工作如下:
　　(1)分析和對(duì)比基于卷積神經(jīng)網(wǎng)絡(luò)且開(kāi)源的人臉識(shí)別算法，通過(guò)實(shí)驗(yàn)篩選了2種基礎(chǔ)模型。對(duì)基礎(chǔ)模型提取的基礎(chǔ)特征進(jìn)行降維、歸一化、融合，得到組合特征，作為后續(xù)深度神經(jīng)網(wǎng)絡(luò)的輸入。
　　(2)構(gòu)建基于深度多模型融合的深度神經(jīng)網(wǎng)絡(luò)，訓(xùn)練組合特征，獲得融合不同基礎(chǔ)模型優(yōu)點(diǎn)的改進(jìn)模型。
　　(3)