人脸识别属于一种监督性的深度学习技术,算法需要根据标注好的正确类别人脸特征进行模型的训练,再用模型对未知人脸图片数据进行自动的识别。人脸识别可以分为两个子过程,一是人脸图片的检测,二是对检测到的人脸图片进行人脸识别。论文借鉴了人脸识别的多尺度选取人脸特征方法,建立了基于多方向的滤波器,将多方向的局部特征进行统一的编码,提取互为补充的人脸图像的纹理信息。论文的主要研究内容有:在人脸检测方面的改进:常用的人脸检测方法是Adaboost和haar特征的检测方法,论文人脸检测采用了改进的Adaboos算法DY-Adaboost算法和Haar特征进行人脸检测,改进了在人脸图像分类了精确度。对于检测出含有人脸的图像根据多尺度特融合的方法将构造新的人脸图像进行了多方向的人脸定位,以处理后的数据结果做多尺度特征。将这些不同的特征通过计算机技术进行运算和融合,就可以生成一种新的人脸面部特征。在人脸识别阶段先通过正交小波变换对人脸图像进行低频滤波处理,之后运用卷积神经网络的多尺度特征融合进行人脸特征的提取。论文比较了AlexNet、VGGNet、Innception与ResNet四种结构的特点,最终选用ResNet网络结构作为本实验的神经网络结果。论文采用了以正交小波变化作为图像滤波与神经网络多尺度特征融合的方式进行人脸识别的人脸识别的研究。图43幅;表4个;参46篇。