本文選題：單樣本人臉識(shí)別　切入點(diǎn)：深度自編碼器　出處：《模式識(shí)別與人工智能》2017年04期 　論文類型：期刊論文

【摘要】：由于每個(gè)目標(biāo)僅有一幅已知樣本,無(wú)法描述目標(biāo)的類內(nèi)變化,諸多人臉識(shí)別算法在解決單樣本人臉識(shí)別問(wèn)題時(shí)識(shí)別性能較低.因此文中提出基于深度自編碼器的單樣本人臉識(shí)別算法.算法首先采用所有已知樣本訓(xùn)練深度自編碼器,得到廣義深度自編碼器,然后使用每個(gè)單樣本目標(biāo)的單個(gè)樣本微調(diào)廣義深度自編碼器,得到特定類別的深度自編碼器.識(shí)別時(shí),將識(shí)別圖像輸入每個(gè)特定類別的深度自編碼器,得到包含與測(cè)試圖像相同類內(nèi)變化的該類別的重構(gòu)圖像,使用重構(gòu)圖像訓(xùn)練Softmax回歸模型,分類測(cè)試圖像.在公共測(cè)試庫(kù)上進(jìn)行測(cè)試,并與其它算法在相同環(huán)境下進(jìn)行對(duì)比,結(jié)果表明文中算法在獲得更優(yōu)識(shí)別率的同時(shí),識(shí)別一幅圖像所需平均時(shí)間更少.
[Abstract]:Because each target has only one known sample, it is not possible to describe the in-class variation of the target, Many face recognition algorithms have low recognition performance in solving the problem of single sample face recognition. Therefore, a single sample face recognition algorithm based on depth self-encoder is proposed in this paper. Firstly, all known samples are used to train depth self-encoder. The generalized depth self-encoder is obtained, and then the generalized depth self-encoder is obtained by fine-tuning the generalized depth self-coder with a single sample target, and the recognition image is input into the depth self-coder of each specific class. The reconstructed images containing the same intra-class changes as the test images are obtained. The reconstructed images are used to train the Softmax regression model and classify the test images. The images are tested on the common test library and compared with other algorithms in the same environment. The results show that the algorithm achieves better recognition rate and the average time required to recognize an image is less.
【作者單位】： 中國(guó)人民解放軍信息工程大學(xué)信息系統(tǒng)工程學(xué)院;鄭州輕工業(yè)學(xué)院計(jì)算機(jī)與通信工程學(xué)院;
【基金】：河南省教育廳科學(xué)技術(shù)研究重點(diǎn)項(xiàng)目(No.12A510027)資助~~
【分類號(hào)】：TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 暢雪萍;鄭忠龍;謝陳毛;;基于稀疏表征的單樣本人臉識(shí)別[J];計(jì)算機(jī)工程;2010年21期

2 張建明;劉霄;樊莉靜;;基于三層虛擬圖像生成的單樣本人臉識(shí)別[J];計(jì)算機(jī)工程;2010年09期

3 孫士明;王芹芹;紀(jì)友芳;;單樣本人臉識(shí)別中的虛擬樣本擴(kuò)展方法研究[J];微計(jì)算機(jī)應(yīng)用;2010年09期

4 楊軍;劉妍麗;;基于圖像的單樣本人臉識(shí)別研究進(jìn)展[J];西華大學(xué)學(xué)報(bào)(自然科學(xué)版);2014年04期

5 吳朋;周激流;李曉華;丁曉蓮;;基于虛擬信息的單樣本分塊人臉識(shí)別[J];計(jì)算機(jī)工程與應(yīng)用;2009年19期

6 李偉紅;陳龍;龔衛(wèi)國(guó);;單樣本快速人臉不變特征提取方法[J];光電子.激光;2014年03期

7 楊恢先;蔡勇勇;翟云龍;李球球;奉俊鵬;;基于正交梯度二值模式的單樣本人臉識(shí)別[J];計(jì)算機(jī)應(yīng)用;2014年02期

8 王梅花;班錦;;基于鏡像奇異值分解的單樣本人臉識(shí)別[J];微型機(jī)與應(yīng)用;2010年16期

9 單桂軍;;基于虛擬樣本擴(kuò)張法的單樣本人臉識(shí)別算法研究[J];科學(xué)技術(shù)與工程;2013年14期

10 孟一飛;袁雪;魏學(xué)業(yè);秦飛舟;覃慶努;;基于樣本擴(kuò)展和線性子空間特征提取的單樣本人臉識(shí)別[J];應(yīng)用科學(xué)學(xué)報(bào);2013年05期

相關(guān)會(huì)議論文 前1條

1 王科俊;鄒國(guó)鋒;閻濤;;融合全局與局部特征的單樣本人臉識(shí)別[A];2011年中國(guó)智能自動(dòng)化學(xué)術(shù)會(huì)議論文集（第一分冊(cè)）[C];2011年

相關(guān)博士學(xué)位論文 前2條

1 胡峰松;單樣本下可變姿態(tài)與光照人臉識(shí)別研究[D];湖南大學(xué);2010年

2 張延強(qiáng);單樣本條件手部特征識(shí)別算法研究[D];北京交通大學(xué);2012年

相關(guān)碩士學(xué)位論文 前10條

1 郭賀飛;基于單樣本的人臉識(shí)別研究[D];南京理工大學(xué);2015年

2 朱陽(yáng)平;基于多視圖流形鑒別學(xué)習(xí)的單樣本人臉識(shí)別方法研究[D];南京郵電大學(xué);2016年

3 劉陽(yáng);單樣本改進(jìn)局部紋理特征的人臉識(shí)別研究[D];湘潭大學(xué);2016年

4 劉青;基于外部通用字典視頻人臉識(shí)別[D];廣州大學(xué);2016年

5 丁洳茜;非理想狀態(tài)的單樣本人臉識(shí)別方法[D];天津大學(xué);2015年

6 李慧;基于LBP與2DPCA的單樣本人臉識(shí)別算法研究[D];哈爾濱理工大學(xué);2016年

7 宋天成;基于變化字典的單樣本人臉識(shí)別算法研究[D];深圳大學(xué);2016年

8 暢雪萍;基于稀疏理論的單樣本人臉識(shí)別研究[D];浙江師范大學(xué);2011年

9 趙汝哲;基于單樣本訓(xùn)練集的人臉識(shí)別研究[D];重慶大學(xué);2012年

10 馬龍;基于多流形判別分析的單樣本人臉識(shí)別研究[D];南京理工大學(xué);2014年

，

本文編號(hào)：1649509