基于深度网络的多形态人脸识别
在实际的自动人脸识别系统中,输入的识别图像往往在表情、分辨率大小以及姿态方面呈现出多种变化.现在很多方法尝试通过线性或局部线性的映射方法,寻找由这些变化共享的统一的特征空间.本文利用由受限玻尔兹曼机(RBM)堆叠成的深度神经网络,来发掘这些变化内在的非线性表达.深度网络能够学习高维数据到低维数据的映射关系,并且有助于提高图像分类和识别的性能.同时,为了实现在一个统一的深度框架下同时实现特征提取和识别,在网络的顶层增加一个监督的回归层.在预训练阶段,网络通过训练集中不同姿态、不同表情以及不同分辨率的图像进行初始化.在微调阶段,模型的参数空间通过网络的输出与标签之间的差,利用标准反向传播的方法进行调整.在测试阶段,我们从测试库中随机选择一张图像,获得统一空间下的特征向量.通过和参考图像库中的所有特征向量进行对比,利用最近邻域的方法识别人脸身份.我们在具有丰富表情以及大姿态变化的CMU-PIE人脸数据库上进行了的全面的实验.结果表明,提出的方法比最新的局域线性映射(或局部线性)的人脸识别方法取得更高的识别率.
人脸识别 深度网络 局域线性映射 识别率
王莹 樊鑫 李豪杰 林妙真
大连理工大学软件学院 大连 116620
国内会议
北京
中文
1-8
2014-09-13（万方平台首次上网日期，不代表论文的发表时间）