基于融合方法的人脸识别算法研究

首先，针对单一的 Gabor 人脸特征在姿态、表情、光照变化下效果不佳的问题，提出了基于 Gabor 小波特征和核函数融合的人脸识别方法。通过融合方法将二维 Gabor 小波提取的不同尺度、方向的 Gabor 特征进行前期融合，使用支持向量机的 rbf 和 linear 核函数进行后期融合并使用 KMOD 算法确定核函数之间的参数。最终实验结果表明融合后的人脸识别方法能够提高机器学习的传统人脸识别效果。 其次，鉴于互补深度特征的融合能够提高单一特征性能，设计了基于 Facenet 稀疏表示和卷积网络集成的人脸识别方法。具体表现为将 Facenet 的卷积特征和稀疏表示结合，提出了基于 Facenet 稀疏表示的人脸识别方法，通过 Facenet 卷积特征构建归一化字典实现稀疏表示分类；融合 softmax loss 和 center loss 损失函数，在 Facenet 预训练模型上重新训练并比较人脸验证和识别效果；最后通过硬投票策略将基于 Facenet 稀疏表示的人脸识别方法和不同卷积网络集成，以提高人脸识别效果。最终的实验结果表明，集成方法能够各个卷积网络模型的基础上使识别率进一步提升。 最后，针对深度神经网络对剧烈光照变化性能不佳的问题，提出了基于 GIR 特征和卷积特征融合的人脸识别方法。GIR 模型用于人脸图像的光照处理，获得 GIR 特征。根据光照处理过程中局部区域的不同，GIR 特征又可以分为 EGIR-Face 和 BGIR-Face 人脸特征。将 GIR特征分别与 Facenet、Insigtface、Resnet50 的卷积特征通过距离度量进行融合，通过最近邻分析实现人脸识别。使得卷积网络可以获得 GIR 模型优势，在人脸识别过程中更加侧重于光照这一影响因素。最终实验结果表明融合 GIR 特征和卷积特征的人脸识别方法确实能够提升严重光照变化下的人脸识别效果。