《基於深度學習的視頻人臉識別方法》是由清圳撰寫的一篇論文。
基本介紹
- 中文名：基於深度學習的視頻人臉識別方法
- 作者：由清圳
- 發表時間：2012-12-01
- 論文來源：哈爾濱工業大學
- 分類號：TP391.41
論文摘要,引文格式,
論文摘要
本文的視頻人臉檢測識別方法的基本設計思想是，在給出一段視頻檔案以及這個視頻檔案的字幕和劇本之後，可以自動的對視頻中的人物進行檢測和識別，不需要任何的訓練樣本。視頻人臉檢測識別方法主要由四個部分組成：字幕劇本融合部分，人臉檢測部分，樣本集自動生成部分和基於深度學習的人臉識別部分。本文將深度學習算法引入到了視頻人臉識別中來，有兩方面的重要意義，一方面，視頻人臉的識別要求算法具備一定的抗干擾能力，並且能夠保證一定的實時性，本文的實驗與分析表明，深度學習算法具備這方面的要求；另一方面，從深度學習算法特性的角度來說，深度學習算法最大的缺點就是構造深度模型需要大量的樣本，這很大程度上限制了深度學習算法的套用，然而本文所設計的基於視頻的人臉檢測模組可以輕鬆的產生數萬、數十萬的樣本，從而滿足了深度學習算法的大樣本集要求。基於深度學習模型的人臉識別部分是整個系統的重點，這一部分主要有兩方面的意義：一，經歷了視頻人臉的檢測部分之後，雖然視頻人臉集合中人臉的純度有了很大的提升，但是依然會存在一些雜質，因此必須通過識別模組來進一步的過濾掉人臉集合中的雜質；二，通過視頻所得到的幀檔案中，經常會出現多張人臉同時出現的情況，在這種情況下，視頻人臉的檢測部分是無法將說話者與人臉進行對應的，必須通過識別模組才能區分出一個幀中的多個人臉。基於深度學習模型的人臉識別部分主要包含三個模組：數據預處理模組、深度學習模組和識別模組。數據預處理模組主要由數據整合和構造數據立方體兩個部分組成。深度學習模組通過兩個具體過程來實現：RBM調節和深度模型的反饋微調。RBM的調節過程是自下而上的各個層間的調節過程，以這種方式來初始化整個深度模型的系統權值，而深度模型的反饋微調，首先進行自下而上的識別模型轉換，然後再進行自上而下的生成模型轉換，最後通過不同層次之間的不斷調節，使生成模型可以重構出具有較低誤差的原樣本，這樣就得到了此樣本的本質特徵，即深度模型的最高抽象表示形式。經過深度學習模型的處理，可以得到降維之後的樣本特徵，在此基礎上運用識別模組，本文中所採用的識別方法是人工神經網路的識別方法。
引文格式
由清圳. 基於深度學習的視頻人臉識別方法[D].哈爾濱工業大學,2013.
