论文部分内容阅读
随着技术的不断进步和人们生活质量的不断提高,卷积神经网络(CNN)的应用近年来在各个领域层出不穷。卷积神经网络是一种非全连接的前馈神经网络,是一种采用多层层次网络结构的深度神经网络的方法。本文研究了卷积神经网络在人脸识别和多聚焦图像融合上的应用,提出了自归一化卷积神经网络的人脸识别算法和一种改进的卷积神经网络的多聚焦图像融合算法。本文主要内容及创新点包括:(1)对卷积神经网络的基本组成结构和工作原理进行了详尽的解释说明。本文先从单个神经元介绍到简单的神经网络,再逐步深入对卷积神经网络的构造进行了分析。卷积神经网络的原理是基于局部感受野,共享权值和池化这三种基本思想,使得卷积神经网络对高维数据的处理更轻松,且对特征的提取相对简单准确,特征分类效果好。(2)提出了一种自归一化卷积神经网络(SCNN)的人脸识别算法。该算法是用自归一化卷积神经网络对人脸特征进行提取并分类;然后通过对不同批次大小和不同网络层数的实验对比找出最佳的实验条件;最后与传统CNN算法和其他算法对比。本文提出的方法在ORL数据库中的实验识别率可达到98.3%。实验结果表明自归一化卷积神经网络比普通的卷积神经网络在人脸识别中具有更高的识别率、更快的收敛速度。(3)提出了一种改进的卷积神经网络的多聚焦图像融合算法。算法主要包括四个步骤:焦点检测,特征分割,一致性验证和融合。首先,将两个源图像送到预先训练好的CNN模型以输出包含源图像的焦点信息的分数图,然后,通过对重叠区域进行平均,从分数图获得具有相同尺寸的源图像的焦点图,接下来利用两种流行的一致性验证策略来细化二元分割图,以生成最终的决策图。最终,使用逐像素加权平均策略的最终决策图来得出图像融合的结果。与其他图像融合算法相比,无论是主观观察对比还是从客观指标比较,本文提出的方法都有明显的优势。