【精选】数字图像处理论文.pdf

《数字图像处理》 期末论文 姓名：_____张孝元_________ 学号：__________ 专业：__光信息科学与技术__ 二O 一四年六月二十二日 卷积神经网络原理及其在人脸识别中的应用 【摘要】 人工神经网络是一种尝试模拟人脑的功能而产生的人工智能方法，在上个世 纪末期经历了一段时间的蓬勃发展之后，再次陷入低潮。深度学习技术是受到生 物学和神经学领域在动物和人脑视觉神经领域的新发现的启发，模拟视觉系统的 层次化的工作模式，在人工神经网络的基础上构建具有层次化结构的深度网络模 型，给人工神经网络带来了新的发展方向。卷积神经网络是将人工神经网络和深 度学习技术结合而产生的一个新型人工神经网络方法，具有局部感知区域、层次 结构化、特征抽取和分类过程结合的全局训练等特点，在图像识别领域获得了广 泛的应用。现代图像识别任务要求分类系统能够适应不同类型的识别任务，深度 网络及其特例卷积神经网络是目前人工神经网络领域的研究热点，对卷积神经网 络及其在不同识别任务上的应用进行研究具有重要的应用价值。 【关键词】 卷积神经网络，人工神经网络，图像识别 1、卷积神经网络的发展历史 1962 年 Hubel 和 Wiesel 通过对猫视觉皮层细胞的研究，提出了感受野 (Receptive field)的概念，1984 年日本学者Fukushima 基于感受野概念提出的 神经认知机(Neocognitron)可以看作是卷积神经网络的第一个实现网络，也是感受 野概念在人工神经网络领域的首次应用。神经认知机将一个视觉模式分解成许多 子模式(特征)，然后进入分层递阶式相连的特征平面进行处理，它试图将视觉系 统模型化，使其能够在即使物体有位移或轻微变形的时候，也能完成识别。神经 认知机能够利用位移恒定能力从激励模式中学习，并且可识别这些模式的变化形， 在其后的应用研究中，Fukushima 将神经认知机主要用于手写数字的识别。随后， 国内外的研究人员提出多种卷积神经网络形式，在邮政编码识别和人脸识别方面 得到了大规模的应用。 2、卷积神经网络的网络结构 卷积神经网络是一个多层的神经网络，每层由多个二维平面组成，而每个平 面由多个独立神经元组成。网络中包含一些简单元和复杂元，分别记为 S-元和 C-元。S-元聚合在一起组成S-面，S-面聚合在一起组成S-层，用U 表示。C-元、 s C-面和C-层(U)之间存在类似的关系。网络的任一中间级由S-层与C-层串接而 s 成，而输入级只含一层，它直接接受二维视觉模式，样本特征提取步骤已嵌入到 卷积神经网络模型的互联结构中。一般地，U 为特征提取层，每个神经元的输入 s 与前一层的局部感受野相连，并提取该局部的特征，一旦该局部特征被提取后， 它与其他特征间的位置关系也随之确定下来；U 是特征映射层，网络的每个计算 c 层由多个特征映射组成，每个特征映射为一个平面，平面上所有神经元的权值相 等。特征映射结构采用影响函数核小的 sigmoid 函数作为卷积网络的激活函数， 使得特征映射具有位移不变性。此外，由于一个映射面上的神经元共享权值，因 而减少了网络自由参数的个数，降低了网络参数选择的复杂度。卷积神经网络中 的每一个特征提取层(S-层)都紧跟着一个用来求局部平均与二次提取的计算层 (C-层)，这种特有的两次特征提取结构使网络在识别时对输入样本有较高的畸变 【3】 容忍能力 。 图1 是文献[4]中卷积神经网络的典型结构图。将原始图像直接输入到输入 层(U )，原始图像的大小决定了输入向量的尺寸，神经元提取图像的局部特征， c1 因此每个神经元都与前一层的局部感受野相连。文中使用了4 层网络结构，隐层 由S-层和C-层组成。每层均包含多个平面，输入层直接映射到U 层包含的多个 s2 平面上。每层中各平面的神经元提取图像中特定区域的局部特征，如边缘特征， 方向特征等，在