深度學(xué)習(xí)在人臉識別中的研究及應(yīng)用.pdf

1、當(dāng)前人臉識別在安保、金融、電子政務(wù)、娛樂等多領(lǐng)域都有廣泛深入的應(yīng)用和極具潛力的發(fā)展空間。同時隨著深度學(xué)習(xí)的發(fā)展，針對大數(shù)據(jù)提出的深度學(xué)習(xí)人臉識別技術(shù)成為特征識別領(lǐng)域的熱點課題，眾多學(xué)者對此進(jìn)行了大量研究。本文對深度學(xué)習(xí)的兩個重要算法展開相關(guān)研究，并提出改進(jìn)算法來解決小樣本數(shù)據(jù)庫在深度學(xué)習(xí)模型中識別率偏低的問題。
　　本文建立了一個小樣本的人臉數(shù)據(jù)庫，充分考慮了樣本采集中關(guān)于表情、姿態(tài)、光照等的變化，先將人臉數(shù)據(jù)從RGB彩色空間轉(zhuǎn)換

2、到Y(jié)CbCr空間，提取符合空間膚色范圍的區(qū)域再進(jìn)行形態(tài)學(xué)處理，得到人臉數(shù)據(jù)，最后進(jìn)行尺度歸一化。
　　分析卷積神經(jīng)網(wǎng)絡(luò)和深度信念網(wǎng)絡(luò)的基本原理，研究其模型結(jié)構(gòu)和生成算法，分別建立深度學(xué)習(xí)人臉識別模型，并在Extended Yale-B、ORL、自建樣本庫三個數(shù)據(jù)庫上進(jìn)行實驗，通過對比分析優(yōu)劣并得出相關(guān)結(jié)論。
　　針對卷積神經(jīng)網(wǎng)絡(luò)和深度信念網(wǎng)絡(luò)在小樣本數(shù)據(jù)集上識別率要低于大樣本，深度學(xué)習(xí)模型多用于大數(shù)據(jù)的情況下，提出改進(jìn)的深度

3、信念網(wǎng)絡(luò)結(jié)構(gòu)，用局部二值模式處理樣本數(shù)據(jù)，得到LBP直方圖作為深度信念網(wǎng)絡(luò)輸入層，并在使用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行參數(shù)調(diào)優(yōu)階段引入成對分類模式，優(yōu)化系統(tǒng)分類邊界，提高識別效果。通過在三個數(shù)據(jù)庫中的實驗表明，改進(jìn)的深度信念網(wǎng)絡(luò)人臉識別算法在小樣本數(shù)據(jù)集上也有很好地識別效果，并且當(dāng)數(shù)據(jù)存在各類干擾時，此系統(tǒng)也能很好的對數(shù)據(jù)進(jìn)行分類。
　　最后設(shè)計一個簡單的GUI界面來實現(xiàn)人臉識別的應(yīng)用。本文改進(jìn)算法在標(biāo)準(zhǔn)樣本庫中識別率可以達(dá)到100％，在自建