模式识别与人工智能
2025年4月6日 星期日   首 页     期刊简介     编委会     投稿指南     伦理声明     联系我们                                                                English
模式识别与人工智能  2017, Vol. 30 Issue (5): 448-455    DOI: 10.16451/j.cnki.issn1003-6059.201705007
研究与应用 最新目录| 下期目录| 过刊浏览| 高级检索 |
多层次深度网络融合人脸识别算法*
胡正平,何薇,王蒙,孙哲
燕山大学 信息科学与工程学院 秦皇岛 066004
Multi-level Deep Network Fused for Face Recognition
HU Zhengping, HE Wei, WANG Meng, SUN Zhe
School of Information Science and Engineering, Yanshan University, Qinhuangdao 066004

全文: PDF (909 KB)   HTML (1 KB) 
输出: BibTeX | EndNote (RIS)      
摘要 深度学习模型可以获得更具有鉴别力的人脸特征,提高人脸识别性能.因此,文中结合深度学习思想,提出多层次深度网络融合特征提取模型.在深度子空间基础上,采用“卷积-池化”网络结构,在降低特征维度的同时保留图像纹理信息,并且获得局部转换鲁棒性.同时,利用人脸标定算法获得人脸特征点,并以此划分人脸区域为5个局部人脸块.基于多层次分类策略,利用全局人脸训练全局网络,完成测试样本预分类.利用局部人脸块训练局部网络,在候选类别中完成最终分类.实验表明,结合局部特征与全局特征的模型可以取得较好的识别率,对光照、表情、姿态,遮挡等影响因素具有较好的鲁棒性,并且加入池化层及两步判别的算法可以有效提高识别率.
服务
把本文推荐给朋友
加入我的书架
加入引用管理器
E-mail Alert
RSS
作者相关文章
胡正平
何薇
王蒙
孙哲
关键词 深度学习 子空间 池化 多层次融合    
Abstract:Discriminative facial features can be obtained by deep learning model. Therefore, combining the deep learning, a multi-level deep network extraction model for fusion feature is proposed. In the proposed model, the pooling layer is added after subspace mapping based on deep subspace model, so that the feature dimension is reduced with texture details preserving and local transformation robustness.Meanwhile, face region is divided into 5 parts according to facial feature point achieved by face alignment algorithm. Based on multi-level classification strategy, the global network is firstly trained using the whole face image to obtain five candidate labels for test sample. Then, the local face block is put into sub-network to obtain local representation and test samples are classified in the candidate labels. Experimental results show that the model combined with the local features and global features achieves better accuracy and robustness in the aspect of the illumination, expression, occlusion, etc. Moreover, adding pooling structure and the two-step discrimination algorithm effectively improve the recognition efficiency.
Key wordsDeep Learning    Subspace    Pooling    Multi-level Fusion   
收稿日期: 2016-11-25     
ZTFLH: TP 391.4  
基金资助:国家自然科学基金项目(No.61071199)、河北省自然科学基金项目(No.F2016203422)资助
作者简介: 胡正平(通讯作者),男,1970年,博士,教授,主要研究方向为模式识别.E-mail:hzp@ysu.edu.cn.
何 薇,女,1993年生,硕士研究生,主要研究方向为深度学习.E-mail:2545657739@qq.com.
王 蒙,女,1982年生,博士研究生,主要研究方向为模式识别.E-mail:wmshd2001@163.com.
孙 哲,女,1990年,博士研究生,主要研究方向为稀疏表示分类.E-mail:sunzhe_ysu@ 163.com.
引用本文:   
胡正平,何薇,王蒙,孙哲. 多层次深度网络融合人脸识别算法*[J]. 模式识别与人工智能, 2017, 30(5): 448-455. HU Zhengping, HE Wei, WANG Meng, SUN Zhe. Multi-level Deep Network Fused for Face Recognition. , 2017, 30(5): 448-455.
链接本文:  
http://manu46.magtech.com.cn/Jweb_prai/CN/10.16451/j.cnki.issn1003-6059.201705007      或     http://manu46.magtech.com.cn/Jweb_prai/CN/Y2017/V30/I5/448
版权所有 © 《模式识别与人工智能》编辑部
地址:安微省合肥市蜀山湖路350号 电话:0551-65591176 传真:0551-65591176 Email:bjb@iim.ac.cn
本系统由北京玛格泰克科技发展有限公司设计开发 技术支持:support@magtech.com.cn