本文利用稀疏自编码神经网络和 softmax 分类器构建深度层次网络，并对该深度层次 网络进行了训练。为了验证本文方法的识别率，分别在 ORL、Yale、Yale-B 以及 PERET 人脸数据库上做算法测评，测试内容有 softmax 分类器人脸识别、深度网络顶层微调算法 和深度网络整体微调算法三个方面。对各个数据库的人脸图像进行的预处理有直方图均衡 化、非局部均值算法、小波变换处理、Retinex 图像增强算法以及同态滤波算法。另外， 使用深度网络整体微调算法对低分辨率问题做了进一步验证。最后，利用 matlab GUI 编 程实现一个基于稀疏自编码神经网络和 softmax 分类器的人脸识别系统，该系统的深度层 次网络的层次和节点可调，且具备完整的识别功能。实验结果表明深度学习方法对原始数 据具有高效准确的抽象表达，在光照、表情、姿态以及低分辨率的条件下取得了良好的表 现，尤其是在低分辨率的情况下。
Sparse coding neural network and softmax classifier were used in this paper to build and train the deep hierarchical network. In order to verify the recognition rate of this method, it is evaluated on ORL, Yale, Yale-B and PERET face database,respectively.The test consists of three aspects, softmax classifier for face recognition, deep-network top trimming algorithm and deep-network global trimming algorithm.Pretreatment of face images on each database consists of histogram equalization, non-local mean algorithm, wavelet transform, Retinex and homomorphic filtering Algorithm.In addition, deep-network global trimming algorithm is used to further verify the low resolution.At last, using MATLAB GUI programming establishes a face recognition system based on sparse coding neural network and softmax classifier,which can train the deep hierarchical network with adjustable hierarchy and node and has complete recognition function. The result of experiments suggests the deep learning method expressed the original data abstractly is efficient and accurate, and achieved good performance in the conditions of illumination, expression, posture and low resolution, especially in low resolution.
关键词：深度学习；稀疏自编码；人脸识别；softmax
I 万方数据
西安理工大学硕士学位论文
II 万方数据
Abstract
Title: RESEARCH METHODS ON FACE RECOGNITION BASED ON
DEEP LEAPROCESSING
Name: Renbing Zhu
Signature:
Supervisor: Prof. Erhu Zhang
Signature:
Abstract
Traditional features such as SIFT, HOG are artificial selection. It is not only laborious but also depending on the experiences and luck heavily. Deep learning is an unsupervised learning method for automatically learning characteristics which is better to reflect the samples. Face recognition has a broad application prospect and scientific value with non-invasive, convenience, safety and other advantage. Therefore, face recognition research based on the deep learning can be improved in the problem of illumination, expression, posture and low resolution.
签 名： 签 名：
摘要
传统的特征都是人工选取，例如 SIFT，HOG 等等，但是人工选取特征是一件非常费 力事情，并且选取特征的好坏很大程度上依赖于经验和运气，而深度学习是一种无监督学 习自动学习特征的方法，可以更好的表达样本。人脸识别以其所具有的非侵入性、便捷性、 安全性等特性拥有着广阔的应用前景和科研价值，因此使用深度学习方法的对人脸识别进 行研究，可以在光照、表情、姿态以及低分辨率等问题进行改进。
分类号
（
UDC
密级
基
学 号 1208101106
于
深
度
学
习
的
人
脸 识 别
硕士学位论文
方
法
研
究
）
基于深度学习的人脸识别方法研究
朱 仁 兵
朱仁兵
学 科 门 类：
工学
学 科 名 称： 信号与信息处理
西
安 理
指 导 教 师：
张二虎 教授
工
大
申 请 日 期：
2015 年 2 月
学
万方数据
万方数据
摘要
论文题目：基于深度学习的人脸识别方法研究 学科名称：信号与信息处理 研 究 生：朱仁兵 指导教师：张二虎 教授
Key words : Deep learning; Sparse coding; Face recognition; Softmax
I 万方数据
西安理工大学硕士学位论文
II 万方数据
目录
目录
1 绪论 ........................................................................................................................................... 1 1.1 课题研究的背景及意义 .................................................................................................. 1 1.2 国内外现状及发展趋势 .................................................................................................. 2 1.3 课题研究内容 .................................................................................................................. 3 1.4 论文的结构安排 .............................................................................................................. 4
3 基于深度学习的人脸识别方法 ............................................................................................. 15 3.1 人脸识别的研究方案 .................................................................................................... 15 3.2 图像预处理方法 ............................................................................................................ 15 3.2.1 直方图均衡化 ...................................................................................................... 16 3.2.2 Retinex.................................................................................................................. 16 3.2.3 非局部均值算法 .................................................................................................. 17 3.2.4 同态滤波 .............................................................................................................. 18 3.2.5 小波变换 .............................................................................................................. 19 3.3 基于深度学习的人脸识别算法 .................................................................................... 20 3.3.1 自编码器神经网络 .............................................................................................. 20 3.3.2 稀疏自编码神经网络的训练方式 ...................................................................... 22 3.3.3 自学习到深度网络 .............................................................................................. 23 3.3.4 微调 ...................................................................................................................... 24 3.4 softmax 分类器 .............................................................................................................. 25