卷积神经网络具体步骤范文

导语：如何才能写好一篇卷积神经网络具体步骤，这就需要搜集整理更多的资料和文献，欢迎阅读由公务员之家整理的十篇范文，供你借鉴。

篇1

【关键词】：高速公路 防逃 人脸识别 高清视

中图分类号：U412.36+6 文献标识码：A

人脸识别的分类与概述

人脸识别就是通过计算机提取人脸的特征，并根据这些特征进行身份验证。人脸与人体的其他生物特征(指纹、虹膜等)一样与生俱来，它们所具有的唯一性和不易被复制的良好特性为身份鉴别提供了必要的前提；同其他生物特征识别技术相比，人脸识别技术具有操作简单、结果直观、隐蔽性好的优越性。人脸识别一般包括三个步骤：人脸检测、人脸特征提取和人脸的识别与验证。其处理流程如图

输入图像 人脸图像人脸特征输出结果

人脸识别的一般步骤

人脸识别方法繁多，早期研究较多的方法有基于几何特征的人脸识别方法和基于模板匹配的人脸识别方法。目前人脸识别方法主要研究及应用的是基于统计的识别方法、基于连接机制的识别方法以及其它一些综合方法。下面是这几类方法的基本介绍：[2]

（1）基于几何特征的人脸识别方法

几何特征矢量是以人脸器官如眼睛、鼻子、嘴巴等的形状和几何关系为基础的特征矢量，其分量通常包括人脸指定两点间距离、曲率、角度等。早期的研究者Brunelli[3]等人采用改进的积分投影法提取出用欧式距离表征的35维人脸特征矢量用于人脸识别。Huang Chung Lin等人[4]采用动态模板[5,6,7]与活动轮廓模型提取出人脸器官的轮廓[8,9,10]。基于几何特征的人脸识别方法有如下优点：符合人类识别人脸的机理，易于理解；对每幅图像只需要存储一个特征矢量，存储量小；对光照变化不敏感。但这种方法同样存在一些问题，如从图像中提取这些特征比较困难；对强烈的表情变化和姿态变化的鲁棒性差等。

（2）基于模板匹配的人脸识别方法

模板匹配大都采用归一化相关，直接计算两幅图之间的匹配程度。最简单的人脸模板就是将人脸看成一个椭圆[10,11]。另一种方法就是将人脸用一组独立的小模板表示，如眼睛模板、嘴巴模板、鼻子模板等，采用弹性模板方法提取这些模板特征[12]。Brunelli等人专门比较了基于几何特征的人脸识别方法和基于模板匹配的人脸识别方法，他们得出的结论是：基于几何特征的人脸识别方法具有识别速度快和内存要求小等优点，但基于模板匹配的识别率要高于基于几何特征的识别率。

（3）基于统计的人脸识别方法

基于统计特征的识别方法包括基于特征脸的方法和基于隐马尔可夫模型的方法。特征脸（Eigenface）方法[13]是从主成分分析导出的一种人脸识别和描述技术。主成分分析实质上是K-L展开的网络递推实现，K-L变换是图像压缩中的一种最优正交变换，其生成矩阵一般为训练样本的总体散布矩阵。特征脸方法就是将包含人脸的图像区域看作是一种随机向量，因此可以采用K-L变换获得其正交K-L基底。对应其中较大特征值的基底具有与人脸相似的形状，因此又称之为特征脸。

隐马尔可夫模型（HMM）是用于描述信号统计特性的一组统计模型。基于人脸从上到下、从左到右的结构特征，Samaria等人[14]首先将1-D HMM和2-D Pseudo HMM用于人脸识别。Kohir等[15]采用1-D HMM将低频DCT系数作为观察矢量获得了好的识别效果。Eickeler等[16]采用2-DPseudo HMM识别DCT压缩的JPEG图像中的人脸图像。Nefian等[17]采用嵌入式HMM识别人脸。

（4）基于连接机制的人脸识别方法（神经网络弹性图匹配）

基于连接机制的识别方法，包括一般的神经网络方法和弹性图匹配(Elastic Graph Matching)方法。神经网络在人脸识别应用中有很长的历史[18]。Demers 等[19]提出采用PCA方法提取人脸图像特征，用自相关神经网络进一步压缩特征，最后采用一个多层处理器来实现人脸识别。Laurence等[20]通过一个多级的SOM实现样本的聚类，将卷积神经网络（CNN）用于人脸识别。Lin等[21]采用基于概率决策的神经网络（PDBNN）方法。最近，径向基函数RBF神经网络因具有逼近性好、空间描述紧凑和训练速度快等特点而被用于人脸识别。Gutta等[22]提出了将RBF与树分类器结合起来进行人脸识别的混合分类器结构，后来他们用RBF神经网络进行了针对部分人脸的识别研究[23]，他们的研究表明利用部分人脸也可以有效地识别人脸。Er等[24]采用PCA进行维数压缩，再用LDA抽取特征，然后基于RBF进行人脸识别。Haddadnia 等[25]基于PZMI（Pseudo Zernike Moment Invariant）特征，并采用混合学习算法的RBF神经网络进行人脸识别。此外，Lucas 等采用连续的n-tuple网络识别人脸。

弹性图匹配方法是一种基于动态链接结构的方法[26]。在人脸图像上放置一组矩形网格节点，每个节点的特征用该节点处的多尺度Gabor幅度特征描述，各节点之间的连接关系用几何距离表示，从而构成基于二维拓扑图的人脸描述。根据两个图像中各节点和连接之间的相似性可以进行人脸识别。Wiskott等[27]将人脸特征上的一些点作为基准点，强调了人脸特征的重要性。他们采用每个基准点存储一串具有代表性的特征矢量，大大减少了系统的存储量。Würtz 等[28]只使用人脸面部的特征，进一步消除了结构中的冗余信息和背景信息，并使用一个多层的分级结构。Grudin等[29]也采用分级结构的弹性图，通过去除了一些冗余节点，形成稀疏的人脸描述结构。Nastar等[30]提出将人脸图像I(x,y)表示为可变形的3D网格表面（x, y, I(x,y)），将人脸匹配问题转换为曲面匹配问题，利用有限元分析的方法进行曲面变形，根据两幅图像之间变形匹配的程度识别人脸。

（5）基于形变模型的方法

基于形变模型的方法是一个受到重视的方法。通过合成新的视觉图像，可以处理姿态变化的问题。Lanitis等[31]通过在人脸特征边沿选择一些稀疏的基准点描述人脸的形状特征，然后将形状变形到所有人脸图像的平均形状，再根据变形后的形状进行纹理（灰度）变形，形成与形状无关的人脸图像。然后分别对形状和灰度进行PCA变换，根据形状和纹理的相关性，用PCA对各自的结果进一步分析，最终得到描述人脸的AAM（Active Appearance Model）模型。通过改变这些参数可得到不同变化的人脸图像，模型参数能够用于人脸识别。Romdhani 等[32]采用激光扫描仪获得人脸的3D数据，分别对一些基准点构成的形状和基准点的灰度（或彩色）完成PCA，得到3D人脸形状和灰度（彩色）基图像，通过变化参数就可获得不同的3D人脸模型。通过施加一些先验约束可以避免合成不真实的人脸图像。利用线性形状和纹理误差，通过3D模型向2D输入图像的自动匹配实现人脸识别。

项目采用的识别算法

人脸自动识别技术经过多年来的研究已经积累了大量研究成果。但是仍然面临很多问题，尤其是在非约束环境下的人脸识别。结合本研究项目及应用环境综合考虑，采用特征脸方法对视屏资料中的司机脸部进行提取识别。

特征脸方法是90年代初期由Turk和Pentland提出算法，具有简单有效的特点, 也称为基于主成分分析（principal component analysis，简称PCA）的人脸识别方法。把人脸图像空间线性投影到一个低维的特征空间。PCA实质上是K-L展开的网络递推实现。K-L变换是图像压缩技术中的一种最优正交变换。人们将它用于统计特征提取。从而形成子空间法模式识别的基础。若将K-L变换用于人脸识别，则需假设人脸处于低维线性空间。由高维图像空间K-L变换后，可得到一组新的正交基，由此可以通过保留部分正交基获得正交K-L基底。如将子空间对应特征值较大的基底按照图像阵列排列，则可以看出这些正交基呈现出人脸的形状。因此这些正交基也称为特征脸，这种人脸的识别方法也叫特征脸法。

特征子脸技术的基本思想是：从统计的观点，寻找人脸图像分布的基本元素，即人脸图像样本集协方差矩阵的特征向量，以此近似地表征人脸图像。这些特征向量称为特征脸（Eigenface）。

利用这些基底的线性组合可以描述、表达和逼近人脸图像，因此可以进行人脸识别与合成。识别过程就是将人脸图像映射到由特征脸张成的子空间上，比较其与已知人脸在特征脸空间中的位置，具体步骤如下：[33]

（1）初始化，获得人脸图像的训练集并计算特征脸，定义为人脸空间；

（2）输入待识别人脸图像，将其映射到特征脸空间，得到一组权值；

（3）通过检查图像与人脸空间的距离判断它是否为人脸；

（4）若为人脸，根据权值模式判断它是否为数据库中的某个人。

1. 计算特征脸

假设人脸图像包含个像素,因此可以用维向量Γ表示。如人脸训练集由幅人脸图像构成,则可以用表示人脸训练集。

其均值为：

（2-1）

每幅图像与均值的差为：

（2-2）

构造人脸训练集的协方差矩阵：

（2-3）

其中 。

协方差矩阵的正交分解向量即为人脸空间的基向量，也即特征脸。

一般比较大（通常大于1000），所以对矩阵直接求解特征向量是不可能的，为此引出下列定理：

SVD定理：设是一秩为的维矩阵，则存在两个正交矩阵：

（2-4）

（2-5）

以及对角阵：

（2-6）

满足

其中：为矩阵和的非零特征值，和分别为和对应于的特征矢量。上述分解成为矩阵的奇异值分解（SVD），为的奇异值。

推论：

（2-7）

由上述定理可知：

人脸训练集所包含的图像一般要比图像的像素数小的多，因此可以转求矩阵

（2-8）

的特征向量，M为人脸训练集图像总数。

矩阵的特征向量由差值图像与线性组合得到：

=（2-9）

实际上，m（m

（2-10）

识别

基于特征脸的人脸识别过程由训练阶段和识别阶段两个阶段组成。在训练阶段,每个己知人脸映射由特征脸张成的子空间上,得到m维向量：

（2-11）

距离阈值定义如下：

（2-12）

在识别阶段，首先把待识别的图像映射到特征脸空间，得到向量

（2-13）

与每个人脸集的距离定义为

（2-14）

为了区分人脸和非人脸，还需计算原始图像与其由特征脸空间重建的图像之间的距离：

（2-15）

其中：

（2-16）

采用最小距离法对人脸进行分类，分类规则如下：

（1）若，则输入图像不是人脸图像；

（2）若，则输入图像包含未知人脸；

（3）若，则输入图像为库中的某个人脸。

实际上，特征脸反映了隐含在人脸样本集合内部的信息和人脸的结构关系。将眼睛、面颊、下颌的样本集协方差矩阵的特征向量称为特征眼、特征颌和特征唇，统称特征子脸。特征子脸在相应的图像空间中生成子空间，称为子脸空间。计算出测试图像窗口在子脸空间的投影距离，若窗口图像满足阈值比较条件，则判断其为人脸。

基于特征分析的方法，也就是将人脸基准点的相对比率和其它描述人脸脸部特征的形状参数或类别参数等一起构成识别特征向量，这种基于整体脸的识别不仅保留了人脸部件之间的拓扑关系，而且也保留了各部件本身的信息，而基于部件的识别则是通过提取出局部轮廓信息及灰度信息来设计具体识别算法。现在Eigenface(PCA)算法已经与经典的模板匹配算法一起成为测试人脸识别系统性能的基准算法；而自1991年特征脸技术诞生以来，研究者对其进行了各种各样的实验和理论分析，FERET测试结果也表明，改进的特征脸算法是主流的人脸识别技术，也是具有最好性能的识别方法之一。

该方法是先确定眼虹膜、鼻翼、嘴角等面像五官轮廓的大小、位置、距离等属性，然后再计算出它们的几何特征量，而这些特征量形成一描述该面像的特征向量。其技术的核心实际为"局部人体特征分析"和"图形/神经识别算法。"这种算法是利用人体面部各器官及特征部位的方法。如对应几何关系多数据形成识别参数与数据库中所有的原始参数进行比较、判断与确认。Turk和Pentland提出特征脸的方法，它根据一组人脸训练图像构造主元子空间，由于主元具有脸的形状，也称为特征脸,识别时将测试图像投影到主元子空间上，得到一组投影系数，和各个已知人的人脸图像比较进行识别。

结束语

从目前国情来讲，在一段时间内高速公路收费还会继续存在，某些司机逃费的侥幸心也同样会有。通过带路径识别功能的 RFID 复合卡作为通行卡，利用 RFID 卡的信息对车辆进行跟踪，在不增加硬件投入的情况下，直接可以给车道收费系统提供抓拍高清图像，以及其它报警联动系统提供图像等，可有效解决高速公路冲卡逃费问题，可广泛应用于封闭式管理的公路收费系统。

参考文献：

[1]江艳霞. 视频人脸跟踪识别算法研究. 上海交通大学博士学位论文，2007.

[2]Brunelli R and Poggio T., Feature Recognition: Features Versus Templates. IEEE Transactions on

PAMI, 1993, 15(10):1042 -1052.

[3]李刚. 基于特征脸法的正面人脸识别研究. 国防科学技术大学硕士学位论文，2002.11

[4]JOHN CANNY. A Computational Approach to Edge Detection. IEEE TRANSACTIONS ON PATTERN

ANALYSIS AND MACHINE INTELLIGENCE, VOL.PAMI-8, NO.6, NOVEMBER 1986.

[5]张建飞、陈树越等. 基于支持向量基的交通视频人车识别研究[J]. 电视技术，2011

[6]肖波、樊友平等. 复杂背景下基于运动特征的人面定位[J]. 重庆大学学报，2002

[7] 《中华人民共和国交通部公路联网收费技术要求》，交通部

[8] 《广东省高速公路联网收费系统》，DB44 127-2003，广东省质量技术监督局

[9] 《视频安防监控数字录像设备》,GB 20815-2006

[10]《安全防范工程技术规范》，GB 50348-2004