人脸检测与识别研究基于深度卷积神经网络成果

基于深度卷积神经网络的人脸识别算法，其核心观点是借助线性解码器获得图像的一些局部统计特征，并将之当作卷积核，从而得到图像的卷积特征。卷积神经网络局部连接、权值共享和池化思想能够有效降低网络的计算复杂度，同时对平移、比例缩放和倾斜等形变具有很好的鲁棒性[161]。首先，借助ZCA 白化的方式对数据做预处理；其次，借助线性解码器得到图像的一些特征，并将之当成卷积神经网络的卷积核；再次，借助得到的卷积核对图像做出卷积，获取图像的卷积特性；最后，借助Softmax 分类器对得到的特性做出归类整理，实现人脸识别。网络模型如图8-10 所示。

图8-10　深度卷积神经网络模型图

为了检测这种算法的使用性能，我们做了三组实验。在第一组实验里，每个人选择1 张图片当成训练集，将9 张图像当成检测集。在第二组实验里，每个人选出3 张图当成训练集，将另外7 张当成测试集。第三组实验里，每个人选出5 张图像当成训练集，将另外5 张当成检测集。最终得到的结果如表8-2 所示。(www.xing528.com)

表8-2　不同方法在ORL 上的识别效果

该算法在ORL 数据库中得到的人脸辨别率比较高。另外，如果训练样本较少，其辨别效果依然较好，这表明该算法的适应性比较好。与本书提出的算法相比，卷积神经网络算法的稳定性低于本书的改进算法，但当训练样本数为1 时，识别率高于本书的改进算法。