CAJ | 학술논문

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来寻找由这些变化共享的统一的特征空间.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进行特征提取和识别,在网络的顶层增加了一个监督的回归层.在预训练阶段,通过训练集中不同姿态、不同表情以及不同分辨率的图像对网络进行初始化.在微调阶段,通过网络的输出与标签之间的差并利用标准反向传播的方法对模型的参数空间进行调整.在测试阶段,从测试库中随机选择一幅图像,获得统一空间下的特征向量.通过与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.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全面的实验,结果表明,提出的方法取得了比最新的局域线性映射(或局部线性)的人脸识别方法更高的识别率.
재실제적자동인검식별계통중,수입적식별도상왕왕재표정、분변솔대소이급자태방면정현출다충변화.현재흔다방법상시통과선성혹국부선성적영사래심조유저사변화공향적통일적특정공간.이용유수한파이자만궤(RBM)퇴첩성적심도신경망락래발굴저사변화내재적비선성표체.심도망락능구학습고유수거도저유수거적영사관계,병차유조우제고도상분류화식별적성능.동시,위료실현재일개통일적심도광가하동시진행특정제취화식별,재망락적정층증가료일개감독적회귀층.재예훈련계단,통과훈련집중불동자태、불동표정이급불동분변솔적도상대망락진행초시화.재미조계단,통과망락적수출여표첨지간적차병이용표준반향전파적방법대모형적삼수공간진행조정.재측시계단,종측시고중수궤선택일폭도상,획득통일공간하적특정향량.통과여삼고도상고중적소유특정향량진행대비,이용최근린역적방법식별인검신빈.재구유봉부표정이급대자태변화적CMU-PIE인검수거고상진행료전면적실험,결과표명,제출적방법취득료비최신적국역선성영사(혹국부선성)적인검식별방법경고적식별솔.