基于二阶池化和超完备表示的深度学习人脸识别研究

摘要

人脸识别一直是学术界和工业界的研究热点。尽管在过去几十年内，研究人员提出了一系列的人脸识别方法。但是由于姿态、表情、光照等外部因素的干扰，这些方法始终不能取得很好的识别效果。卷积神经网络通过逐层地学习样本的特征，能够表示样本的复杂变化，因此在人脸识别领域取得了出色的成绩。在设计网络结构时，常见的卷积神经网络模型主要采用了传统的平均/最大池化层。然而这些池化层只计算了输入特征的一阶信息，比如平均值或最大值，这在一定程度上限制了模型的学习能力。另外，人脸不仅包含全局判别信息，还包含局部判别信息。单一的模型往往只挖掘了其中一部分的判别信息，因此其性能受限于这些判别信息的丢失。
　　为了克服这些问题，本文分别提出基于二阶池化和超完备表示的深度学习人脸识别方法。第一种方法的核心组件是二阶池化卷积神经网络，通过改善传统的池化层，提高模型的学习能力。首先采用若干层的卷积层和池化层将原始的人脸图像变换为特征图。然后将该特征图分解成一组局部特征，并对其中每个局部特征进行外积运算，得到相应的结果矩阵。最后将运算的结果作为平均/最大池化层的输入，这使得传统的池化层能够挖掘输入特征的二阶统计信息，从而学习更加鲁棒的人脸表示。第二种方法的核心组件是多区域卷积神经网络，通过提取和融合不同图像区域的判别信息，使得最终的人脸表示更加完备和更加鲁棒。首先以一张完整的人脸图像和一组人脸区域作为输入，并利用共享层将这张人脸图像变换为特征图，其中共享层是由几个卷积层和池化层组成。然后对于每块人脸区域，区域提取层在该特征图上提取等价的区域特征图，并利用单独的分支网络去学习该区域的特征。最后通过提取和拼接这些区域的特征，得到给定人脸的超完备表示。相比于已有的方法，该模型通过共享低层次的隐藏层，具有更优的计算效率。
　　本文提出的两种模型都在CASIA-WebFace库和LFW库上进行实验和分析，实验结果表明本文的模型能够学习更加有效的人脸表示，从而提高了识别精度。

目录

第1章 绪论

1.2 国内外研究现状

1.3 常用的人脸识别方法比较

1.4 本文的主要研究内容

1.5 本文的组织结构

第2章 卷积神经网络概述

2.2 多层感知器模型的理论基础

2.3 卷积神经网络的理论基础

2.4 本章小结

第3章 基于二阶池化的深度学习人脸识别

3.3 传统的二阶池化方法

3.4 二阶池化卷积神经网络

3.5 基于二阶池化的深度学习人脸识别

3.6 基于二阶池化的深度学习人脸识别的实验结果和分析

3.7 本章小结

第4章 基于超完备表示的深度学习人脸识别

4.2 人脸识别中的超完备表示

4.3 多区域卷积神经网络

4.4 基于超完备表示的深度学习人脸识别

4.5 基于超完备表示的深度学习人脸识别的实验结果和分析

4.6 本章小结

结论

参考文献

攻读学位期间发表的论文

声明

致谢