基于特征编码无监督学习机制的人脸识别算法研究

摘要

随着物联网和人工智能技术的快速发展，高效并且便捷的身份识别和身份验证技术具有巨大的理论研究以及市场应用价值。人脸由于其唯一性、不可复制性和非隐藏性等优点，成为了生物体特征识别领域中一个重要的特征。实际应用场景中由于流动的人群和复杂的场景使得人脸识别面临诸多的挑战，主要包括：1）单一样本；2）局部遮挡；3）光照变化；4）表情变化。因此，更加鲁棒的、更加高效的人脸特提取设计是解决这些问题的关键。 本文基于特征学习，对复杂场景下的人脸识别遇到的问题特别是单一样本、局部遮挡和光照变化展开研究。在深入研究了特征编码相关理论的基础上，针对传统方法的不足提出了创新和优化。本文的主要研究内容为： (1) 研究了基于多尺度的特征学习方法。传统的特征编码方法都是基于单一尺度下的特征提取，信息表达能力弱，多尺度方法对复杂图像信息具有良好的表达能力，于是我们深入研究了特征编码的训练原理以及人脸图像主要纹理信息的分布，提出了多尺度特征编码方法； (2) 研究了特征编码算法的基本原理以及相关的衍生方法。综合分析了特征编码方法的优势和缺点，对传统的特征编码算法作出改进，提出了基于RICA （Reconstruction Independent Component Analysis）无监督学习机制的联合特征编码模型，提高了单一样本的特征提取效率； (3) 研究了基于非线性映射的特征分类方法。人脸图像不同的区域的纹理信息千差万别，各特征表示对最终识别的贡献也各不相同。在复杂场景中人脸图像往往伴随着局部遮挡，遮挡带来的信息丢失和错误对识别有着不可估计的干扰，为此本文结合局部结构判别信息，提出非线性特征加权算法方法以提高复杂场景下的识别准确度； (4) 在理论算法研究的基础上开发了人脸识别系统应用，本文基于 Visual Studio和Android Studio实现了PC端和移动端的人脸识别系统的初级开发。

目录

第一个书签之前