自然場景下的深度人臉識別方法.pdf

1、自然場景下的人臉識別面臨環(huán)境光照、人臉表情、雜亂背景、相機質(zhì)量、遮擋和年齡等多種因素干擾的問題。本文采用了機器學(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)進行自然場景下的人臉識別研究。不同于大多數(shù)傳統(tǒng)算法在自然場景下識別效果銳減的情況，在公開最大的自然場景人臉數(shù)據(jù)測試集LFW上取得了較好且穩(wěn)健的識別效果，驗證了深度學(xué)習(xí)在人臉識別領(lǐng)域的價值。
　　本文將深度學(xué)習(xí)應(yīng)用于自然場景人臉識別的主要工作內(nèi)容如下：
　　1、基

2、于卷積神經(jīng)網(wǎng)絡(luò)前向傳遞和隨機梯度下降的后向傳遞算法，設(shè)計了深度卷積神經(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，對已有的人臉庫做了數(shù)據(jù)增強和預(yù)處理工作。在每個卷積層-池化層模塊中引入了級聯(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)，得到了識別能力更強的神經(jīng)網(wǎng)絡(luò)模型。在傳統(tǒng)的sigmoid，Relu非線性激活函數(shù)上進行改進得到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，針對自然場景下人臉圖像具有更多干擾的問題，設(shè)計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。在自然場景測試數(shù)據(jù)庫中，該算法的識別效果得到了提升，同時提高了模型穩(wěn)健程度。
　　3、針對自然場景下個體類別數(shù)很大的情況，對傳統(tǒng)的Softmax損失代價函數(shù)做出改進，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)