近些年,隨著生物醫(yī)學水平和計算機技術的提高,人臉識別技術引起研究者們的廣泛關注,其作為生物識別技術的一種,具有自然性和不容易被被測個體感知的特點,成為計算機視覺領域研究的熱點,并廣泛用于安檢、移動支付等領域。人臉圖像容易受到光照、表情、遮擋和姿態(tài)變化等因素的影響,這些不確定因素極大地增大了人臉識別的難度。由于Gabor變換在提取人臉局部特征時有較強的魯棒性,常被用于對人臉局部特征進行提取的分類識別中,深度學習方法相比于傳統(tǒng)的人臉識別可以更好地提取出人臉圖像的深度全局特征,且不需要手工參與�；谶@兩種方法,本文遂提出一種局部特征和全局特征相結合的人臉識別方法。本文采用Gabor小波作為傳統(tǒng)人臉圖像局部特征提取的方法,引入圖像分塊的概念,與二維Gabor小波結合獲取局部特征。由于經過Gabor變換后的局部特征維數過大,利用對人臉關鍵部位(如眼睛、鼻子、嘴巴等)的特征分組并進行特征融合,賦予不同人臉部位不一樣的權值,將多個關鍵人臉特征進行融合,從而將提取出的高維特征化簡為低維特征,對人臉進行識別。在深度學習方面,選用深度殘差網絡作為提取全局特征的基礎結構。在原始殘差網絡的基礎上通過對殘差單元...

【文章頁數】：73 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 課題背景與研究意義
    1.2 國內外研究現狀
    1.3 本文主要內容及結構安排
第二章 傳統(tǒng)人臉圖像特征提取方法
    2.1 基于幾何特征
    2.2 基于子空間
        2.2.1 線性子空間分析
        2.2.2 非線性子空間分析
    2.3 基于局部特征
        2.3.1 SIFT特征提取
        2.3.2 基本LBP
        2.3.3 Gabor小波方法
第三章 深度學習相關理論與識別方法
    3.1 人工神經網絡
        3.1.1 前向傳播
        3.1.2 反向傳播
    3.2 經典深度學習模型
        3.2.1 深度信念網絡
        3.2.2 卷積神經網絡
    3.3 基于深度信念網絡的人臉識別
        3.3.1 網絡模型結構
        3.3.2 Softmax分類器
        3.3.3 人臉識別過程
        3.3.4 實驗結果與分析
    3.4 本章小結
第四章 基于Gabor局部特征的分組融合識別
    4.1 Gabor特征的分組方案
        4.1.1 基于Gabor的均勻分塊
        4.1.2 基于人臉關鍵部位的特征分組
        4.1.3 基于不同核函數的PCA降維
    4.2 基于Fisher線性判別的特征降維
    4.3 信息融合原理
    4.4 多分類器融合
        4.4.1 多分類器融合簡介
        4.4.2 局部特征的多分類器
    4.5 實驗結果與分析
    4.6 本章小結
第五章 基于深度學習和傳統(tǒng)方法相結合的人臉識別
    5.1 殘差網絡原理
    5.2 殘差網絡改進原理及模型構建
        5.2.1 殘差神經網絡的深度與寬度
        5.2.2 改進后的殘差網絡模型
        5.2.3 算法步驟
    5.3 實驗結果及分析
        5.3.1 實驗環(huán)境介紹
        5.3.2 實驗數據集
        5.3.3 實驗結果及分析
    5.4 本章小結
第六章 總結與展望
    6.1 總結
    6.2 未來展望
參考文獻
致謝
作者簡介及讀研期間主要科研成果



本文編號：3811907