資源描述：
《基于深度學(xué)習(xí)的人臉識(shí)別研究》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫(kù)。
1、碩士學(xué)位論文基于深度學(xué)習(xí)的人臉識(shí)別研究ResearchonFaceRecognitionBasedonDeepLearning作者學(xué)科、堂J姓名：專業(yè)：口丐：完成日期：2013—3—10大連理工大學(xué)DalianUniversityofTechnology大連理工大學(xué)學(xué)位論文獨(dú)創(chuàng)性聲明作者鄭重聲明：所呈交的學(xué)位論文，是本人在導(dǎo)師的指導(dǎo)下進(jìn)行研究工作所取得的成果。盡我所知，除文中已經(jīng)注明引用內(nèi)容和致謝的地方外，本論文不包含其他個(gè)人或集體已經(jīng)發(fā)表的研究成果，也不包含其他已申請(qǐng)學(xué)位或其他用途使用過(guò)的成果。與我一同工
2、作的同志對(duì)本研究所做的貢獻(xiàn)均已在論文中做了明確的說(shuō)明并表示了謝意。學(xué)位論文題目：茲溢醯疊墜熊劍蟹型作者簽名：三囪鱧日期：迦!三年—包月—L日大連理工大學(xué)碩士學(xué)位論文摘要在實(shí)際應(yīng)用中，如監(jiān)控系統(tǒng)中，采集到的人臉圖像往往是具有多種姿態(tài)變化的，并且圖像分辨率偏低。受姿態(tài)變化和分辨率低的影響，造成的人臉圖像識(shí)別性能的迅速下降，而姿態(tài)變化是人臉識(shí)別中一個(gè)最為突出的難題。姿態(tài)變化將非線性因素引入了人臉識(shí)別中。而現(xiàn)有的一些機(jī)器學(xué)習(xí)方法(如只有一個(gè)隱層的神經(jīng)網(wǎng)絡(luò)、核回歸，支撐向量機(jī)等)大都使用淺層結(jié)構(gòu)。心理學(xué)研究表明對(duì)于有
3、限數(shù)量的樣本和計(jì)算單元，淺層結(jié)構(gòu)難以有效地表示復(fù)雜函數(shù)，并且對(duì)于復(fù)雜分類問(wèn)題表現(xiàn)性能及泛化能力針均有明顯的不足，尤其當(dāng)目標(biāo)對(duì)象具有豐富的含義。深度學(xué)習(xí)可通過(guò)學(xué)習(xí)一種深層非線性網(wǎng)絡(luò)結(jié)構(gòu)，實(shí)現(xiàn)復(fù)雜函數(shù)逼近，表征輸入數(shù)據(jù)分布式表示，并體現(xiàn)了它對(duì)于輸入樣本數(shù)據(jù)的強(qiáng)大的本質(zhì)特征的抽取能力。因此本文運(yùn)用深度神經(jīng)網(wǎng)絡(luò)的方法克服姿態(tài)變量和圖像分辨率的影響，提出了一種多姿態(tài)的人臉超分辨識(shí)別算法并在實(shí)驗(yàn)數(shù)據(jù)集上獲得了良好的性能表現(xiàn)。另外本文利用深度信念網(wǎng)絡(luò)探索正面人臉圖像和側(cè)面人臉圖像的映射，方法放松了深度信念網(wǎng)絡(luò)的輸入也輸出
4、之間絕對(duì)相等，而只是保證其高層含義上的相等。實(shí)驗(yàn)表明了使用深度信念網(wǎng)絡(luò)可以學(xué)習(xí)到側(cè)面人臉圖像到正面人臉圖像的一個(gè)全局映射，但是丟失了個(gè)體細(xì)節(jié)差異。本文還提出了基于深度網(wǎng)絡(luò)保持姿態(tài)鄰域進(jìn)行姿態(tài)分類的方法，在學(xué)習(xí)過(guò)程中，我們保證了同一個(gè)姿態(tài)下的人臉圖像應(yīng)該與同一姿態(tài)下的多張圖像互為鄰居。實(shí)驗(yàn)證明了，我們的方法在用于姿態(tài)分類具有非常良好的性能，但是也發(fā)現(xiàn)學(xué)習(xí)過(guò)程中，那些與區(qū)別個(gè)體的信息逐漸丟失了，這也導(dǎo)致了直接運(yùn)用非線性近鄰元分析的特征的人臉識(shí)別的性能不佳。本文是一篇基于深度學(xué)習(xí)在人臉識(shí)別姿態(tài)和分辨率問(wèn)題上的研究
5、，此外，本文還探索了深度信念網(wǎng)絡(luò)在人臉姿態(tài)處理中的潛在應(yīng)用，如姿態(tài)映射和姿態(tài)分類。關(guān)鍵詞：深度學(xué)>--j；人臉識(shí)別；人臉姿態(tài)；深度信念網(wǎng)絡(luò)基于深度學(xué)習(xí)的人臉識(shí)別研究ResearchonFaceRecognitionBasedonDeepLearningAbstractInpracticalapplications，suchassurveillancesystems，collectedfaceimagescapturedbycamerasareoftenlowresolutionandwithgreatpos
6、evariations．Affectedbyposevariationandlowresolution，performanceoffacerecognitiondegradessharply，whileposevariationsbringgreatchallengetofacerecognition．Posevariationsbringnonlinearfactorsintofacerecognition．Architecturesareappliedinmanyexistingmachinelearn
7、ingalgorithmsincludingneuralnetworks誠(chéng)tllonlyonehiddenlayer，kernelregression，supportvectormachine，andmanyothersareusingshallowarchitectures．Psychologyresultsshowswithlimitedsamplesandfinitecomputingunits，thoseshallowarchitecturesareincapableofrepresentingth
8、ecomplexfunction，andplacerestrictiononthegeneralizationcapabilityofclassifyingcomplicatedissues，especiallyfortherichsensoryinput．Deeplearningachievestheapproximationofcomplexfunction，characterizationoftheinpu
