CNN人脸识别模型中的结构和特征度量算法研究

作     者：孟繁若 

作者单位：电子科技大学 

学位级别：硕士

导师姓名：刘洪盛

授予年度：2017年

学科分类：08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程] 

主      题：深度学习 卷积神经网络 人脸识别 网络结构设计 互信息 

摘      要：近年来,卷积神经网络在各个计算机视觉领域都得到了巨大发展,同时基于卷积神经网络的算法也逐渐的被应用于日常生活中。快速增长的计算资源以及大量数据集的出现,使得卷积神经网络的深度学习方法为提高人脸识别的准确率提供了很多可能性。随着具体场景应用对于性能的要求逐步提高,设计合理的深度人脸识别网络结构已经成为决定网络性能的关键因素。现有的深度人脸网络主要通过添加多层卷积层以提取更为高效的特征向量,这种加深网络结构实现性能提升的方法使得网络结构庞大、参数过多并且忽略了每层网络的宽度对于性能的影响。同时,研究者对于各种人脸识别网络所提取特征以及统计人脸特征之间的关系没有很好地进行分析并加以有效利用。本文通过对现有的深度学习人脸识别网络结构进行分析,并基于互信息理论进行如下工作:(1)以卷积神经网络中的深度和宽度概念作为基础,根据实验数据库中人脸图片的特点,在已有的网络结构如DeepID,DeepID2,FaceNet等现有模型设计方式的基础上提出了一个通过平衡深度和宽度之间关系的人脸网络设计优化方法:当深度人脸网络结构的深度和宽度值接近一致时,其识别效果有显著提高。通过此优化方法设计的深度人脸网络能够在取得理想识别率的同时,将网络结构控制在一定的深度范围并避免训练中所出现的过拟合现象。(2)运用提出的网络设计优化方法并基于ResNet超深网络设计全新的多级人脸识别平衡网络。通过在FERET,FRGC,LFW,YouTube Face等多个数据集上的对比结果证明,引入本文所提出的设计方法能够有效的提高人脸识别网络的性能,同时减少网络层数。并且该优化方法所设计的深度人脸网络结构在不同的数据集上表现结果良好,因此具有较高的鲁棒性。(3)建立基于互信息的度量准则,将统计学习中的LBP,Gabor等特征与通过的深度人脸网络结构所得特征进行对比分析。最终结果证明,通过深度学习人脸网络结构所得特征比传统的统计学习特征更能保留图像关键信息,能够达到更高的性能。