江苏龙网

  1. 首页 > 人文 > >

人脸识别：基于深浅特征融合的人脸识别


人脸识别是模式识别和机器学习领域研究热点之一 ， 实际图像中存在的遮挡、光照、姿势、年龄等变化是人脸识别在实际应用中遇到的主要挑战 。
传统算法是从图像中进行特征选择和提取 ， 降低复杂度 ， 提高效率 。 特征选择和特征提取都被视为子空间学习算法 ， 因这些算法均是在一个新空间找到原始高维数据的低维表示 。
最著名子空间学习法有主成分分析(Principal Component Analysis ， PCA)[1] ， 该算法学习一个投影以保留数据的主要能量 。 由于其在数据重构和能量保存方面的性能良好 ， 因此在数据处理中PCA常作为数据的预处理技术 。 研究人员提出一些基于PCA的改进算法 ， 以进一步提高PCA解决人脸识别问题的性能[2] 。 因PCA算法不能保留数据的几何结构 ， 研究人员提出LPP(Locality Preserving Projection)[3]、SPP(Sparsity Preserving Projections)[4]、NPE(Neighborhood Preserving Embedding)[5] 。 尽管这些算法在特征提取上各有优点 ， 但因其提取的特征缺乏判别能力[6] ， 故不适用于分类问题 。
LDA(Linear Discriminant Analysis)是模式分类中常用提取判别性特征的算法之一[7] 。 LDA利用标签信息学习判别性投影矩阵 ， 最大化类间距离 ， 同时最小化类内距离 ， 以此提高分类准确度 。 郝静静等人[8]结合PCA与LDA算法优势提高人脸识别性能 。 LDA还有很多变形以提高性能 ， 例如：OLDA(Orthogonal LDA)[9]、ULDA(Uncorrelated LDA)[10]、2DLDA(2-Dimensional LDA)[11] 。 Wen Jie等人[12]提出一种鲁棒稀疏LDA算法(Robust Sparse Linear Discriminant Analysis ， RSLDA) ， 提取的特征对噪声和投影维数具有更强的鲁棒性 。
针对人脸中特定问题 ， 研究人员提出各种对应算法 ， 例如：为去除光照影响 ， 文献[13]提出一种光照正则化方法 ， 引入了色度空间的概念；Hu Changhui等人[14]提出一种新的高频特征和一种基于高频的稀疏表示分类用于处理不同光照条件下的单样本人脸识别；Du Lingshuang等人[15]用基于核范数的误差模型描述测试样本中的遮挡和污损；欧阳宁等人[16]将多种算法融合提出人脸图像光照预处理算法 。
以上算法提取的特征均为浅层特征 ， 这些特征在特定的数据和任务中性能优异 ， 但大多数浅层特征普适性差[17] ， 对于新的数据和任务需要新的域知识 。
针对浅层特征的局限性 ， 深度学习算法[18-19]从数据中自主学习特征 。 深度学习思想是建立多层表示获得数据深层抽象语义特征 ， 这种抽象表示对类内变化具有更强的鲁棒性 。 深度学习处理图像分类任务的关键因素是卷积结构的选用 ， 一个卷积神经网络(ConvNet)结构[20-21]包含多个训练阶段和有监督分类器 。 每个阶段一般包括三层：卷积组层、非线性处理层和特征池化层 。
典型的深度学习网络有ConvNet和CNNs[22-23] ， 但这些网络需要丰富的经验去调试 ， 第一个有清晰数学调试的是小波散度网络(Wavelet Scattering Networks ， ScatNet)[24] 。 但是这种提前设置好的结构却不适用于人脸识别 ， 因为人脸中可能包含光照、遮挡使得类内变化较大[25] 。 Chan Tsung-Han等人[25]提出简单的PCANet网络用于图像分类 ， 以PCA作卷积核 ， 简化训练过程 ， 且其分类性能高 。
深度特征往往需要大量的有标记的样本去训练 ， 且时间消耗较大；而浅层特征提取的判别性信息有限 ， 不能挖掘数据最本质的特征 ， 鲁棒性差 ， 但不需要训练 ， 时间消耗低 。 针对这些问题 ， 本文将图像的深浅特征进行融合以提高特征提取的效率和鲁棒性 ， 并应用于人脸识别 。
【人脸识别：基于深浅特征融合的人脸识别】1 深浅特征融合分类算法
本文将浅层特征和深度特征进行融合提出基于深浅特征融合的人脸识别算法 ， 目的是充分发挥深浅层特征各自优势 ， 提高人脸识别性能 ， 同时对深度学习算法的原理进行简单的分析 。 算法基本流程如图1所示 。


推荐阅读


上一篇：新浪科技■几千年前古代人类的乐趣爱好：吹骨笛、聚会喝酒

下一篇：人民日报：英国可再生能源发电快速发展