基于深度学习的SPD人脸识别算法.pdf

本文探讨了一种基于深度学习的SPD人脸识别算法，该算法结合了自商图像（SQI）、主成分分析（PCA）和深度信念网络（DBN）的方法。人脸识别技术因其非接触性和安全性在身份认证和人机交互中广泛应用。然而，人脸识别面临着诸如非均匀光照、局部遮挡和表情变化等挑战。 自商图像法（SQI）是一种处理非均匀光照问题的有效手段，通过将原始图像与高斯滤波后的图像相除，可以突出图像边缘信息，减少光照影响。PCA随后被用来降低由SQI得到的高维图像数据的维度，将其映射到低维子空间，从而降低计算复杂度，同时保留关键信息。 深度信念网络（DBN）是一种深度学习模型，它能自下而上地学习多层次的抽象特征。DBN通过无监督预训练和有监督微调阶段，自动提取特征，避免了人为特征选择的限制。在本文的算法中，PCA降维后的自商图像数据作为DBN的输入，DBN逐层学习更高级别的特征表示，最终在顶层进行分类。 对于局部遮挡问题，文章提出了遮挡分割法，这种方法可以识别出图像中的遮挡部分，减少它们对整体识别结果的影响。通过这种方式，算法能够更好地应对实际场景中可能出现的遮挡情况。 实验结果显示，该算法在ORL、Yale、Yale-B和AR等人脸数据库上的识别率较高，并且识别时间显著缩短。相比传统的PCA和LBP方法，该算法更能提取出具有高判别性的特征，提高了人脸识别的准确性和效率。 总结来说，本文提出了一种融合自商图像处理、PCA降维和DBN深度学习的SPD人脸识别算法，有效地解决了光照、遮挡等问题，提升了人脸识别的性能。这种方法展示了深度学习在人脸识别领域的潜力，特别是在处理复杂环境和条件下的识别任务。