自然場(chǎng)景下的深度人臉識(shí)別方法.pdf

1、自然場(chǎng)景下的人臉識(shí)別面臨環(huán)境光照、人臉表情、雜亂背景、相機(jī)質(zhì)量、遮擋和年齡等多種因素干擾的問題。本文采用了機(jī)器學(xué)習(xí)領(lǐng)域的深度學(xué)習(xí)算法，構(gòu)造出了多種深度卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行自然場(chǎng)景下的人臉識(shí)別研究。不同于大多數(shù)傳統(tǒng)算法在自然場(chǎng)景下識(shí)別效果銳減的情況，在公開最大的自然場(chǎng)景人臉數(shù)據(jù)測(cè)試集LFW上取得了較好且穩(wěn)健的識(shí)別效果，驗(yàn)證了深度學(xué)習(xí)在人臉識(shí)別領(lǐng)域的價(jià)值。
　　本文將深度學(xué)習(xí)應(yīng)用于自然場(chǎng)景人臉識(shí)別的主要工作內(nèi)容如下：
　　1、基

2、于卷積神經(jīng)網(wǎng)絡(luò)前向傳遞和隨機(jī)梯度下降的后向傳遞算法，設(shè)計(jì)了深度卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，訓(xùn)練中引入了 mini-batch技術(shù)，使得模型能夠在 CASIA-WebFace這樣的大型人臉數(shù)據(jù)庫上訓(xùn)練，并在訓(xùn)練階段，對(duì)已有的人臉庫做了數(shù)據(jù)增強(qiáng)和預(yù)處理工作。在每個(gè)卷積層-池化層模塊中引入了級(jí)聯(lián)交叉參數(shù)通道池化層結(jié)構(gòu)，構(gòu)造了更深的卷積神經(jīng)網(wǎng)絡(luò)，得到了識(shí)別能力更強(qiáng)的神經(jīng)網(wǎng)絡(luò)模型。在傳統(tǒng)的sigmoid，Relu非線性激活函數(shù)上進(jìn)行改進(jìn)得到PRelu激活函

3、數(shù)。
　　2、在多分支卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，針對(duì)自然場(chǎng)景下人臉圖像具有更多干擾的問題，設(shè)計(jì)了最大特征輸出層結(jié)構(gòu)；在單一卷積-池化型模塊的輸出維度不變的情況下，在模塊中的隱藏層增加了卷積層通道寬度。在自然場(chǎng)景測(cè)試數(shù)據(jù)庫中，該算法的識(shí)別效果得到了提升，同時(shí)提高了模型穩(wěn)健程度。
　　3、針對(duì)自然場(chǎng)景下個(gè)體類別數(shù)很大的情況，對(duì)傳統(tǒng)的Softmax損失代價(jià)函數(shù)做出改進(jìn)，增加了關(guān)于全連接層特征輸出的類內(nèi)和類間距離度量學(xué)習(xí)，利用梯度下降學(xué)