论文部分内容阅读
随着信息化进程的加快,人们对信息的安全有着更高的要求,这给人脸识别的研究带来了巨大的挑战。这些挑战主要来源于人脸的姿态、表情、光照及遮挡等变化因素,传统的方法很难达到理想的识别率。近年来卷积神经网络迅速兴起,并且在人脸识别领域对上述问题有着较强的鲁棒性。卷积神经网络的缺点是网络结构庞大,训练权值多,因此需要海量的训练数据进行训练,但由于现实应用中受存储空间、获取样本时间等限制,往往存在训练样本不足的问题,这将直接影响识别的准确率。本文从卷积神经网络出发,结合传统的特征提取方法,提出了一种小样本情况下的人脸识别方法,主要工作如下:(1)首先,在图像预处理阶段,本文将人脸图像归一化到统一尺寸的灰度图,利用旋转与平移来构造虚拟样本,由此,一幅原始训练图像便可产生17幅训练图像,从而能够在一定程度上解决小样本问题。(2)然后,在特征提取阶段结合二维离散小波变换(Discreate Wavelet Transform,DWT)、局部二值模式(Local Binary Pattern,LBP)与Sobel算子三种不同的方法,分别提取一层DWT的低频子图、LBP纹理特征图、Sobel边缘特征图。这样三种不同特征互相补充,为后面的特征融合和分类奠定了基础。(3)最后,在特征融合与分类阶段,本文设计了一个单层多尺度卷积神经网络(single-level multi-scale Convolutional Neural Networks,smCNN)结构。该网络结构包含1个卷积层、2个采样层、2个全连接层和一个Softmax层。在卷积层中设置4种不同尺度的卷积核,从而用多尺度的思想融合上一步中提取到的三种不同特征图。融合后的特征最终通过Softmax层进行分类。此外,本网络结构应用了ReLU、LRN以及DROPOUT等技术来有效预防过拟合问题。本文分别在AR、ORL与YaleB+Extended YaleB数据库上进行了实验,实验结果显示,本文提出的人脸识别方法在姿态、遮挡、表情等方面都表现出了较强的鲁棒性,普遍优于当前识别率较高的方法,在光照变化问题上识别率虽然略低于LPA+ICI+mLBP方法,但也达到了较高的水平。由于本文采用的数据库样本数量较小,有力的说明了本文方法在小样本问题上有着显著的效果。