基于深度学习的三维人脸识别方法研究.pdf

第12卷第3期陕西工业职业技术学院学报V01．12No．3

2017年9月JournalofShaanxiPolytechnicInstituteSep．2017

基于深度学习的三维人脸识别方法研究

吴梦蝶

(陕西工业职业技术学院教务处，陕西咸阳712000)

摘要：本文通过建立两个深度卷积网络模型，以二维人脸图片和人脸深度图作为输入，对两个DCNN进行训练以

及识别测试，将两个DCNN提取的二维人脸图像及人脸深度图的高层抽象特征作为神经网络的输入，得到携带二

维特征及人脸深度信息的融合特征，将融合特征作为最终的人脸的高层描述，进而完成三维人脸识别任务。实验

证明，与其他识别方法相比，该方法有较高的识别正确率。

关键词：三维人脸识别；深层卷积网络；特征提取；特征融合

中图分类号：TP391．41文献标识码：A文章编号：9459—2017(3)一0003—05

AStudyon3DfaceRecognitionMethodsBasedonDeepLearning

WuMengdie

(Dean~office，ShaanxiPolytechnicInstitute，Xianyang712000，China)

Abstract：Inthisstudy，firstly，2DeepConvolutionalNeuralNetworkmodels(DCNN)wereestablishedand2Dface

imagesandfacedepthmapswereinputintothem；andthentheDCNNmodelsweretrainedandtested；next，theab—

stractfeaturesthatthetwomodelsgotfromtheimagesandmapswereinputastheneuralnetworkandfusionfea—

tureswith2Dfeaturesanddeepinformationwereobtained；finally，thefusionfeaturesservedasthefinaldescription

offaceandthetaskof3Dfacerecognitionwascompleted．Theexperimentalresultsshowedthatthismethodhas

higherrecognitionaccuracycomparedwithothermethods．

Keywords：3Dfacerecognition；DeepConvolutionalNeuralNetwork；Featureextraction；Featurefusion

(0，X)，相较于使用Sigmoid函数，DCNN训练后的

1基于DCNN的三维人脸识别

识别结果有效的提高。

13路soft．max

1．1DCNN结构

用于二维人脸图像的的深层卷积网络(DCNN)

如图1及2所示，包括输入与输出层卷积层，最大池

采样层，除输入与输出外，中间各层均可称为隐藏

层。将卷积网络中的激活函数改进为非线性矫正

函数ReLU(RectifiedLinearUnits)，即f(X)=max图1二维人脸图像特征提取DCNN结构图

收稿日期：2017—8—7

作者简介：吴梦蝶(1990一)，女，河北沧州人，助教，研究方向：图像识别。

4陕西工业职业技术学院学报2017年