论文部分内容阅读
论文以基于深度学习的人脸识别算法作为研究课题,具有较大的学术价值和重要的应用价值。首先,论文比较了不同的卷积神经网络对人脸识别的影响,同时验证了dropout层和批量归一化层对模型性能的作用。然后针对现有的一些算法的缺点,提出了三种基于深度学习的人脸识别算法。主要的研究成果如下:第一,针对传统卷积神经网络提取的人脸特征对光照敏感的缺点,提出了基于LBP与卷积神经网络结合的人脸识别算法。因为LBP特征对光照具有强鲁棒性,所以改进的算法将原始灰度图像与对应LBP特征图进行图像融合,达到了增强图像信息的目的。然后将融合后的图像作为卷积神经网络的输入,提高算法对光照的鲁棒性。实验结果表明,该算法能提高卷积神经网络对光照变化的鲁棒性,有效地减少光照对人脸识别的影响。第二,针对双线性卷积神经网络的模型参数巨大和双线性特征向量的维度较高的缺点,提出了基于重复双线性卷积神经网络的深度人脸表征算法。新提出的算法利用InceptionResNetV1代替VGGNet,减少了模型的参数量;同时对特征向量进行两次双线性卷积运算,既能使不同的特征向量相互作用,又能降低其维度,有效地提高了人脸识别的速度。实验结果表明,重复双线性卷积神经网络在控制模型参数的同时又能有效的提高人脸识别的性能,最终在LFW和YTF上分别达到了98.06%和90.52%的准确率。第三,针对A-softmax损失函数对类间特征向量相互分离的约束程度不足的缺点,提出了基于改进的损失函数的人脸识别算法。新提出的Angular-center损失函数在Asoftmax损失函数的基础上引入了中心损失函数,使得改进后的损失函数对特征向量具有双约束的作用,即特征向量在向同类权重向量靠拢的同时,也尽可能向同类中心特征向量聚集。实验结果表明,Angular-center损失函数加强了类内特征向量的紧凑程度和类间特征向量的分离程度,最终在LFW和YTF上分别达到98.01%和91.85%的准确率。