基于SAE和深度神经网络相结合的人脸特征提取与识别

2018-10-08 08:07:12王鑫
移动通信 2018年9期
关键词:特征提取深度特征

王鑫

(1.中移信息技术有限公司,北京 100129;2.北京信息科技大学,北京 100029)

1 引言

随着移动互联网和信息化技术的快速发展,信息安全已经成为国家发展的重要战略之一。以人脸特征匹配技术为代表的生物特征识别技术已经成为信息安全研究领域的重点方向。Turk[1-2]等人于1990年首次利用PCA(Principal Component Analysis,主成分分析法)生成EigenFace(特征脸),这种方法不仅能提取人脸的整体信息,还能提取包含人脸各器官的相关关系,该方法相比之前人脸的几何特征提取显然更能反映人脸的多种特征,其人脸识别精度也得到了大大的提升。此后,人脸特征提取和匹配方法不断呈现,在特征提取上有Haar特征[3]、Gabor特征[4]、SIFT特征[5]、HOG特征[6]以及LBP特征[7],上述的特征大多数都是基于人脸结合特征的应用;而在人脸识别方面,出现了k近邻分类器[8]、支持向量机[9]、浅层神经网络[10]、adaboost分类器[11]以及cascade分类器[12]等。随着研究的深入,研究者发现人脸的倾斜、光照的变化、遮挡等复杂背景会在很大程度上影响了算法的精度,因此,近几年的联合贝叶斯算法、高斯脸、深度脸等算法被陆续提出,并且取得较好的效果。虽然上述所提出的算法自学习功能非常强大,可以设置多层神经网络反复学习实现图像数据背后的有效表示,在人脸识别上具有一定的优势,但是,这种反复学习必然带来参数过多、训练过慢、准确率不稳定等问题。考虑到人脸图片数据的稀疏性、高维度的特点,本文采用SAE(Sparse auto-Encoder,稀疏自动编码器,也称为自编码神经网络)进行人脸特征的提取,该方法能够以较少的参数重构人脸的特征,并利用自身生成的参数初始化深度神经网络隐含层的参数,达到提高模型精度的目的。……

登录APP查看全文

猜你喜欢
特征提取深度特征
如何表达“特征”
基于Gazebo仿真环境的ORB特征提取与比对的研究
电子制作(2019年15期)2019-08-27 01:12:00
不忠诚的四个特征
当代陕西(2019年10期)2019-06-03 10:12:04
深度观察
深度观察
深度观察
一种基于LBP 特征提取和稀疏表示的肝病识别算法
基于MED和循环域解调的多故障特征提取
线性代数的应用特征
河南科技(2014年23期)2014-02-27 14:19:15
Walsh变换在滚动轴承早期故障特征提取中的应用
轴承(2010年2期)2010-07-28 02:26:12