基于Gabor局部特征与深度卷积神经网络的人脸识别

摘要

在针对个人身份信息的鉴别、认证中，人脸识别已成为一种重要方式，特别是近些年来，以深度学习神经网络为基础的人脸识别技术，取得了巨大进展。这些使得人脸识别的相关研究，不仅成为计算机视觉领域的热点，也成为模式识别等领域中的前沿研究课题。
　　本文在深度学习神经网络的基础上，提出一种新的人脸识别方法。该方法通过图像预处理，引入图像分块思想与Gabor变换，提取人脸图像局部特征，同时构建基于Gabor局部特征与深度卷积神经网络的人脸识别系统模型，采用多任务训练网络，优化网络结构，完成对人脸图像的检测与识别。在算法的设计与系统模型的构建中，本文主要有三个方面的改进:
　　1.优化输入图像。在传统的人脸识别方法中，系统模型的输入仅为简单预处理后的人脸目标图像，这不仅会使网络中出现过多的冗余信息，而且会大大增加网络的运算量。本文在输入人脸目标图像之前，在图像预处理的基础上，对图像进行分块处理，并引入二维Gabor变换，提取人脸局部特征，在获取人脸关键特征的同时实现降维，减少了后续网络运算的复杂度，并提高了识别的精准率。
　　2.多任务训练。现有方法中，人脸识别系统模型训练功能较为单一，无法同时完成不同的识别任务，耗时成本过大。本文将目标图像的检测、识别、分类任务相结合，多任务训练网络模型，在识别率上接近现有系统性能的同时减少耗时。
　　3.优化网络结构。目前主流网络模型的结构设计较为复杂，对硬件性能的要求较高，因此在实验中，网络训练的耗时与实际检测效果往往不能协调。而且出于对数据保护的需要，其所采用的数据集与方法尚未公开。本文在CNN结构的基础上，进一步增加了网络层数，并优化网络结构。实验表明，优化后的网络结构在识别准确率上有较大提升。在面对小样本数据时，具有一定的实际应用价值。
　　在公开的人脸数据库ORL、Yale及Extended Yale B上，进行系统模型的测试，同时对比分析其他算法。从实验结果中可以看出，本文方法在识别速度、识别精度上均取得了明显提高。在人脸检测识别时，使用构建的网络模型，平均识别率达到98.33％，算法优于LBP-DCNN、Gabor-Faster R-CNN与Gabor-BP这三种经典算法。

目录

声明

摘要

第一章 绪论

1．1 课题研究的背景与意义

1．2 国内外研究现状

1．3 论文的主要研究工作

1．4 论文的整体结构安排

第二章 人脸图像特征提取方法

2．1 基于几何特征

2．2 基于子空间

2．2．1 线性子空间分析

2．2．2 非线性子空间分析

2．3 基于局部特征

2．3．1 SIFT方法

2．3．2 LBP方法

2．3．3 Gabor小波方法

2．4 本章小结

第三章 基于深度学习的人脸识别

3．1 深度学习网络基础模型

3．1．1 人工神经网络

3．1．2 深度信念网络

3．1．3 卷积神经网络

3．2 经典算法

3．2．1 浅层结构的BP网络方法

3．2．2 Gabor-Faster R-CNN算法

3．3 本章小结

第四章 基于Gabor局部特征和深度卷积神经网络的人脸以识别

4．1 图像预处理

4．2 图像分块与Gabor局部特征提取

4．2．1 图像分块

4．2．2 Gabor局部特征提取

4．3 深度卷积神经网络模型构建

4．3．1 网络模型的构建与优化

4．3．2 网络模型的训练与改进

4．3．3 模型评价指标

4．4 本章小结

第五章 实验结果与分析

5．1 实验环境与配置

5．2 实验数据集

5．2．1 ORL数据集

5．2．2 Yale数据集

5．2．3 Extended Yale B数据集

5．3 预处理结果与分析

5．4 实验结果与分析

5．4．1 实验数据选取

5．4．2 结果与分析

第六章 总结和展望

6．1 全文总结

6．2 未来展望

参考文献

致谢

攻读硕士学位期间参加科研项目与发表论文情况