基于深度卷积神经网络的人脸识别技术研究

摘要

传统人脸识别模型受限于人工特征提取方法，准确率较低。近年来，采用深度结构的卷积神经网络在计算机视觉领域取得巨大进展，尤其在人脸识别中，卷积神经网络的深层特征提取能力，可以克服人脸光照、姿态等的影响。但人脸识别是由多个步骤构成的复杂过程，卷积神经网络也存在一些缺点，研究如何改进卷积神经网络的不足，并解决实践中出现的问题，具有非常重要的意义。
　　本文主要以卷积神经网络为基础构建人脸识别框架，探讨了深层结构的卷积神经网络面临的困难，包括训练过程中的梯度弥散问题和训练样本不足时产生的过拟合现象，最后结合所提训练策略、正则化方法和度量学习方法改进了基于卷积神经网络的人脸特征提取模型。主要工作如下:
　　(1)针对卷积神经网络训练时存在的梯度弥散问题，提出一种利用迁移学习思想的训练策略。迁移的知识包括样本的类别分布和源模型的低层特征。进而利用这两部分知识对目标模型进行预训练，最后用真实标记样本进行微调。实验表明，该训练策略加快了模型的收敛速度，并提升了预测精度。
　　(2)针对卷积神经网络中存在的过拟合现象，提出一种稀疏性Dropout正则化方法，该方法在训练时对节点引入稀疏性限制，根据激活值的大小删除网络的部分节点，以此增强模型的抗过拟合能力。测试时再恢复所有被删除的节点并保留训练时的参数，达到组合多个局部网络的目的。实验表明，将稀疏性与Dropout相结合的方法相较于传统方法具有更好的泛化能力。
　　(3)为了克服欧氏距离的度量方法在人脸特征表达上的不足，提出一种基于KL距离的卷积神经网络人脸特征提取模型。通过卷积神经网络将输入样本转换为一个概率分布，利用KL距离度量不同样本之间概率分布的差异，并定义了一个代价函数对此距离进行优化，最后使用反向传播算法修改卷积神经网络的参数，使网络对人脸特征有更强的区分能力。实验结果表明，该方法不仅能提高正确率还具有更好的泛化性能。

目录

声明

摘要

第一章 绪论

1．1 研究背景和意义

1．2 人脸识别研究现状

1．3 卷积神经网络概述

1．3．1 基本概念

1．3．2 研究现状

1．3．3 卷积神经网络与人脸识别

1．3．4 深度卷积神经网络存在的困难

1．4 本文的主要工作

1．5 本文的组织结构

第二章 卷积神经网络模型及其相关基础

2．1 卷积神经网络结构

2．1．1 基本神经元

2．1．2 人工神经网络

2．1．3 卷积神经网络

2．2 训练策略

2．2．1 前向传播

2．2．2 反向传播

2．2．3 卷积神经网络的训练

2．3 正则化技术

2．3．1 L1正则化

2．3．2 L2正则化

2．3．3 Dropout正则化

2．4 基于卷积神经网络的人脸识别框架

2．5 本章小结

第三章 一种利用知识迁移的卷积神经网络训练策略

3．1 问题提出

3．2 相关基础

3．2．1 知识提取

3．2．2 特征选择

3．3 训练策略

3．3．1 PST训练策略

3．3．2 MMT训练策略

3．3．3 结合PST和MMT的训练策略

3．4 实验与结果分析

3．4．1 实验设计

3．4．2 实验结果分析

3．5 本章小结

第四章 一种卷积神经网络的稀疏性Dropout正则化方‘法

4．1 问题提出

4．2 神经网络的稀疏性

4．3 基于稀疏性的Dropout正则化方法

4．3．1 算法思想

4．3．2 算法描述

4．4 实验与结果分析

4．4．1 实验设计

4．4．2 实验结果分析

4．5 本章小结

第五章 基于KL距离的卷积神经网络人脸特征提取模型

5．1 问题提出

5．2 相关基础

5．3 基于KL距离的度量学习方法

5．3．1 方法描述

5．3．2 模型构建

5．4 实验与结果分析

5．4．1 模型训练

5．4．2 实验结果分析

5．5 本章小结

6．1 结论

6．2 展望

参考文献

致谢

附录