基于卷积神经网络(CNN)人脸图像特征提取.pdfVIP

基于卷积神经网络 （CNN）的人脸图像特征 提取 刘潇隅 中国科学技术大学 信息学院 自动化系 指导老师：朱 明 摘 要：本文验证了卷积神经网络在提取图像特征中的高准确性，利用卷积神经网络进行人 脸识别，并加入光照和姿态的预处理操作以提高识别率。最后对实验进行了较系统的总结， 并提出进一步改进的方法。 关键词：卷积神经网络 模式识别 预处理 FacialFeatureExtractionbasedon ConvolutionalNeuralNetworks XiaoyuLiu DepartmentofAutomation,SchoolofInformationScienceTechnology, UniversityofScienceandTechnologyofChina Supervisor:MingZhu Abstract:Inthispaper,weverifythehig accuracyofConvolutionalNeuralNetworksin extractingpictures’feature,adoptingConvolutionalNeuralNetworkstoconductfacialrecognition. Weaddintopreconditioningsofposeandilluminationtoimprovetherateofrecognition.Finally weconcludetheresearc systematicallyandcomeupwit thefeasiblesolutionstoexisting problems. Keywords:CNN,PatternRecognition,Preconditioning 1.引言 1.1 人工神经网络的发展 人工智能学科是国际公认的当代高科技核心之一，其应用研究已深入各个学科和领域， 并取得了显著成果。如何模拟人类大脑思维模式以高效地表述信息是人工智能的核心问题之 一。 [1] 19世纪中期McCulloch和Pitts 提出了第一个人工神经元模型(MP模型)，奠定了早期神 [2] 经计算发展的基础。1958年Rosenblatt 在MP模型的基础上提出了感知器模型(Perceptron)， 、 第一次将人工神经网络理论应用在实际问题中。 年 [3 4]提出了 神经网 1984 Hopfield Hopfield 络模型 ，为以后人工神经网络的研究提供了理论基础。 年 [5] (HopfieldNetworks) 1986 Rumelhart 等人提出了并行分布处理理论以及具有非线性转移函数的多层前馈网络(BackPropagation Networks)的误差反向传播算法(BackPropagation)，该算法到现在为止仍是最受关注，应用最 广的人工神经网络之一。 1.2深度学习的出现以及卷积神经网络的优势 随着神经科学的发展，人类发现脑部信号是通过一个复杂的层次结构模块传播，并且随 着时间推移可以学习到一些规律的特性来表达观测信号，从边缘检测，基础形状到更加复杂 的视觉形状。由此导致了机器学习研究中一个新的领域，深度学习的出现，其概念由Hinton 等人于2006年提出，动机在于建立、模拟人脑进行分析学习。