摘要
人脸识别的效果在很大程度上取决于已经标定的数据集,当试验训练数据不足时其识别效果会很差。为解决数据集不足的问题,提出了一种迁移学习模型下的小样本人脸识别算法。在将预先训练的卷积神经网络迁移到小样本人脸目标集时使用受限玻尔兹曼机RBM,将训练模型中的全连接层改为RBM,并用小样本人脸数据重新训练RBM和SoftMax层,最后用BP算法进行参数调整。加入的RBM能进一步学习小样本人脸的高阶特征,降低了人脸数据集的内容差异对迁移特征识别的影响。试验选用包含1040人的CAS-PEAL人脸图像数据库及试验室收集的40张人脸进行训练、验证和测试,试验结果表明,用RBM代替CNN中的全连接层的方法,与PCA、BP和LBP网络模型相比,人脸识别的有效率提高了2.1%~8.3%,是一种切实可行的小样本的人脸识别方法。
引文
[1]Chuk T,Crookes K,Hayward W G,et al.Hidden Markov model analysis reveals the advantage of analytic eye movement patterns in face recognition across cultures[J].Cognition,2017,169:102~117.
[2] 王飞,张莹,张东波,等.基于捷径的卷积神经网络在人脸识别中的应用研究[J].电子测量与仪器学报,2018,32(4):80~86.
[3] 袁月,冯涛,阮青青,等.基于深度增强学习的自动游戏方法[J].长江大学学报(自然科学版),2017,14(21):40~44.
[4]Emil Raschman,Roman Zálusky,Daniela■ková.New digital architecture of CNN for pattern recognition[J].Journal of Electrical Engineering,2010,61(4):222~228
[5] 卢桂馥.小样本情况下特征抽取算法与人脸识别研究[D].南京:南京理工大学,2012.
[6] Oquab M,Bottou L,Laptev I,et al.Learning and transferring mid-ievel image representations using convolutional neural networks[A].IEEE Conference on Computer Vision and Pattern Recognition[C].2014:1717~1724.
[7] Isabekov A,Erzin E.On the importance of hidden bias and hidden entropy in representational efficiency of the Gaussian-Bipolar Restricted Boltzmann Machines[J].Neural Networks,2018(105):405~418.
[8]Zhen Chao,Kim Dohyeon,Kim Heejoung.Multi-modality image fusion based on enhanced fuzzy radial basis function neural networks[J].Physica Medica,2018,48:11~20.
[9]李子强.一种新的基于无损失函数的深度卷积神经网络的图像特征提取方法[D].济南:山东大学,2017
[10]朱江,明月,王森.基于深度自编码网络的安全态势要素获取机制[J].计算机应用,2017,37(3):771~776.
[11]孙文荣,周先春,嵇亚婷.基于直方图均衡化、PCA和SVM算法的人脸识别[J].软件,2014,35(8):11~15.
[12] Luo Yuan,Wu Caiming,Zhang Yi.Facial expression feature extraction using hybrid PCA and LBP[J].The Journal of China Universities of Posts and Telecommunications,2013,20(2):120~124.
[13]黄毅,段修生,孙世宇,等.基于改进sigmoid激活函数的深度神经网络训练算法研究[J].计算机测量与控制,2017,25(2):126~129.