基于深度學(xué)習(xí)的視頻人臉識(shí)別方法.pdf

1、本文的視頻人臉檢測(cè)識(shí)別方法的基本設(shè)計(jì)思想是,在給出一段視頻文件以及這個(gè)視頻文件的字幕和劇本之后,可以自動(dòng)的對(duì)視頻中的人物進(jìn)行檢測(cè)和識(shí)別,不需要任何的訓(xùn)練樣本。視頻人臉檢測(cè)識(shí)別方法主要由四個(gè)部分組成:字幕劇本融合部分,人臉檢測(cè)部分,樣本集自動(dòng)生成部分和基于深度學(xué)習(xí)的人臉識(shí)別部分。本文將深度學(xué)習(xí)算法引入到了視頻人臉識(shí)別中來(lái),有兩方面的重要意義,一方面,視頻人臉的識(shí)別要求算法具備一定的抗干擾能力,并且能夠保證一定的實(shí)時(shí)性,本文的實(shí)驗(yàn)與分析表明

2、,深度學(xué)習(xí)算法具備這方面的要求;另一方面,從深度學(xué)習(xí)算法特性的角度來(lái)說(shuō),深度學(xué)習(xí)算法最大的缺點(diǎn)就是構(gòu)造深度模型需要大量的樣本,這很大程度上限制了深度學(xué)習(xí)算法的應(yīng)用,然而本文所設(shè)計(jì)的基于視頻的人臉檢測(cè)模塊可以輕松的產(chǎn)生數(shù)萬(wàn)、數(shù)十萬(wàn)的樣本,從而滿(mǎn)足了深度學(xué)習(xí)算法的大樣本集要求。
　　基于深度學(xué)習(xí)模型的人臉識(shí)別部分是整個(gè)系統(tǒng)的重點(diǎn),這一部分主要有兩方面的意義:一,經(jīng)歷了視頻人臉的檢測(cè)部分之后,雖然視頻人臉集合中人臉的純度有了很大的提升,

3、但是依然會(huì)存在一些雜質(zhì),因此必須通過(guò)識(shí)別模塊來(lái)進(jìn)一步的過(guò)濾掉人臉集合中的雜質(zhì);二,通過(guò)視頻所得到的幀文件中,經(jīng)常會(huì)出現(xiàn)多張人臉同時(shí)出現(xiàn)的情況,在這種情況下,視頻人臉的檢測(cè)部分是無(wú)法將說(shuō)話者與人臉進(jìn)行對(duì)應(yīng)的,必須通過(guò)識(shí)別模塊才能區(qū)分出一個(gè)幀中的多個(gè)人臉。
　　基于深度學(xué)習(xí)模型的人臉識(shí)別部分主要包含三個(gè)模塊:數(shù)據(jù)預(yù)處理模塊、深度學(xué)習(xí)模塊和識(shí)別模塊。數(shù)據(jù)預(yù)處理模塊主要由數(shù)據(jù)整合和構(gòu)造數(shù)據(jù)立方體兩個(gè)部分組成。深度學(xué)習(xí)模塊通過(guò)兩個(gè)具體過(guò)程來(lái)

4、實(shí)現(xiàn):RBM調(diào)節(jié)和深度模型的反饋微調(diào)。RBM的調(diào)節(jié)過(guò)程是自下而上的各個(gè)層間的調(diào)節(jié)過(guò)程,以這種方式來(lái)初始化整個(gè)深度模型的系統(tǒng)權(quán)值,而深度模型的反饋微調(diào),首先進(jìn)行自下而上的識(shí)別模型轉(zhuǎn)換,然后再進(jìn)行自上而下的生成模型轉(zhuǎn)換,最后通過(guò)不同層次之間的不斷調(diào)節(jié),使生成模型可以重構(gòu)出具有較低誤差的原樣本,這樣就得到了此樣本的本質(zhì)特征,即深度模型的最高抽象表示形式。經(jīng)過(guò)深度學(xué)習(xí)模型的處理,可以得到降維之后的樣本特征,在此基礎(chǔ)上運(yùn)用識(shí)別模塊,本文中所采用的