發(fā)布時間：2021-06-26 15:55

　　人臉識別技術是生物特征識別的重要分支之一。人臉識別時特征提取的粒度信息變化,是一個由粗糙到精細的過程。在此過程中,特征變得更加有代表性,決策也將變得越來越容易,但是花費的時間也隨之不斷增加。同時,人臉識別也是一種典型的代價敏感問題,一個沒有權限的人被錯誤的允許進入機密機構,會造成的巨大的損失。為了解決這一問題,本文首先提出基于代價敏感分層極限學習機的圖像識別算法。分層極限學習機將多個極限學習機稀疏編碼器疊加進行特征提取,再運用極限學習機進行分類。該算法具有計算復雜度低,準確度高等優(yōu)點。文中分析了分層極限學習機的特征提取過程為由粗到細的連續(xù)粒度特征結(jié)構,并依此結(jié)合序貫三支決策方法分析決策成本和時間成本間的關系得到人臉識別的最小總代價。這一定程度上可以避免因信息不足時做出錯誤決策而產(chǎn)生的巨大代價。序貫三支決策模仿人類動態(tài)決策過程,在連續(xù)粒度結(jié)構的每一層進行三支決策。本文對多層極限學習機的每層分類中增加邊界域,通過對每一層網(wǎng)絡進行貫序三支決策得到最小總成本。在保留極限學習機速度快、泛化性好的優(yōu)點的同時解決了分層極限學習機無法提供邊界和代價不敏感的問題。通過對總體代價成本的計算,與其他傳統(tǒng)的深... 

【文章來源】：大連海事大學遼寧省 211工程院校

【文章頁數(shù)】：59 頁

【學位級別】：碩士

【部分圖文】：

圖１．１人臉識別應用實例??Ｆｉｇ．?１．１?Ｔｈｅ?ｅｘａｍｐｌｅ?ｏｆ?ｆａｃｅ?ｒｅｃｏｇｎｉｔｉｏｎ?ａｐｐｌｉｃａｔｉｏｎ??１．２國內(nèi)外研究現(xiàn)狀??

人提出基于極限??學習機最小均方的方法并提出相應的極限學習機自編碼器（ｅｘｔｒｅｍｅ?ｌｅａｒｎｉｎｇ??ｍａｃｈｉｎｅ?ａｕｔｏ－ｅｎｃｏｄｅ，簡稱ＥＬＭ－ＡＥ），這一方法同樣米取多層網(wǎng)狀結(jié)構，但是無??需像傳統(tǒng)的深度學習網(wǎng)絡一樣運用反向傳播算法對整體網(wǎng)絡進行迭代調(diào)整，而是??利用極限學習機的算法理論在每一層對參數(shù)進行訓練，這一方法能夠有效的對數(shù)??據(jù)進行降維和去噪［１５］，并且特征提取的速度也大大提高了。??數(shù)據(jù)輸入層?丨?卷積層?丨全連接層；魏??麵藝??卷積?特征映射??圖１．?２卷積神經(jīng)網(wǎng)絡結(jié)構??Ｆｉｇ．?１．２?Ｉｌｌｕｓｔｒａｔｉｏｎ?ｏｆ?ｔｈｅ?ｓｔｒｕｃｔｕｒｅ?ｏｆ?ａ?ＣＮＮ??局部特征相較于全局特征可以更好的處理光照、遮擋等噪聲。２００２年，Ｏｊａｌａ??�。保地岢隽司植慷的Ｊ剑ǎ欤铮悖幔�?ｂｉｎａｒｙ?ｐａｔｔｅｒｎｓ，簡稱ＬＢＰ），這一方法可以表示圖??像局部的紋理特征。這一經(jīng)典的紋理描述方法在之后被學者們不斷地改進和拓展，??如多尺度塊的局部二值模式％和將局部二進制與近紅外圖像結(jié)合提出基于主動近??紅外圖像人臉識別［１７］。２０１０年Ｔａｎ?Ｘ等人提出的局部三值模式是將局部二值模式??中的編碼值增加為三值，之后通過改變閾值和均值增強提出了局部紋理特征集的??局部二值模式［１８］提高光照條件差時的識別性能。２０１９年，丁蓮靜等人＿提出一種??加權信息熵與自適應閾值環(huán)形局部二值模式算子相結(jié)合的人臉識別方法。Ｃｈｅｎ?Ｊ??等人？于２００８年提出了局部韋伯算子，其核心思想在于將人臉圖像上的所有像尜??－４?－??

＝＾Ｘ＞Ｊ－Ｘ，ｉｉ）２?（２．２）??ｉｊ??通過乘法更新規(guī)則對非負矩陣Ｍ和ｔｖ上對應位置的元素進行更新，交替迭代??優(yōu)化Ｍ和Ｗ后獲得局部最優(yōu)解。??Ｏｒｉｇｉｎａｌ??ＮＭＦ??ｆｆｅ－??一?人十■？卜?＿??Ｉ?１?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ??Ｉ?Ｉ??？一卜、—鏟１十？十卜＿????－棘‘冓?４－?＾?ｍＩ??Ｄ?：、：？?Ｉ一?十疆計?曬曬??？?］?ｒ?：?ｕ?１、ｘ?斗＿??ｒ－?＃??！－＊．��！?！?！?－１?ｎ￣ｎ？￣ｎ￣ｌ?Ｉ??圖２．?３非負矩陣分解算法提取特征示例??Ｆｉｇ．?２．３?Ｅｘａｍｐｌｅｓ?ｏｆ?ｆｅａｔｕｒｅ?ｅｘｔｒａｃｔｉｏｎ?ｂｙ?ＮＭＦ??局部二值模式提取局部的紋理特征用以表示圖像，擁有對圖片方向變化不敏??感、對灰度變化不敏感和能夠多分辨率分析等優(yōu)點。局部二值模式算子是將范圍??內(nèi)中心像素與鄰域半徑上的像素點進行比較，并對結(jié)果進行二進制編碼。局部二??值模式算子的計算過程如下圖２．２所示：位于中心的像素值與周圍像素值比較大??小，當中心像素為較小值時�。�，否則�。�。將比較后得到的只有０和Ｉ的序列從??左上角按順時針順序組合得到一個二進制數(shù)，轉(zhuǎn)化為十進制后的數(shù)字就是這二區(qū)??域的特征值。?丨??丨８１９?１０１?二進制序列為??１０１０１０００????２?６?９??？?０?１??？?１６８??５?２?４?０?０?０??圖２．?４局部二值模式的過程??Ｆｉｇ．?２．４?Ｔｈｅ?ｐｒｏｃｅｓｓ?ｏｆ?Ｌｏｃａｌ?Ｂｉｎａｒｙ?Ｐａｔｔｅｒｎｓ??－１３?－??

【參考文獻】：
期刊論文
[1]加權信息熵與增強局部二值模式結(jié)合的人臉識別[J]. 丁蓮靜,劉光帥,李旭瑞,陳曉文.  計算機應用. 2019(08)
[2]基于ARM和深度學習的大數(shù)據(jù)指紋識別系統(tǒng)設計[J]. 張莉華.  湖南科技大學學報(自然科學版). 2019(01)
[3]基于深度網(wǎng)絡的人臉區(qū)域分割方法[J]. 杜星悅,董洪偉,楊振.  計算機工程與應用. 2019(08)
[4]Robust sparse representation based face recognition in an adaptive weighted spatial pyramid structure[J]. Xiao MA,Fandong ZHANG,Yuelong LI,Jufu FENG.  Science China（Information Sciences）. 2018(01)
[5]一種新的低秩分塊稀疏表示的人臉識別算法[J]. 胡昭華,趙孝磊,徐玉偉,何軍.  數(shù)據(jù)采集與處理. 2015(05)



本文編號：3251631