多尺度非监督特征学习的人脸识别

摘要：

为了充分利用人脸图像的潜在信息，提出一种通过设置不同尺寸的卷积核来得到图像多尺度特征的方法，多尺度卷积自动编码器（Multi-Scale Convolutional Auto-Encoder，MSCAE）。该结构所提取的不同尺度特征反映人脸的本质信息，可以更好地还原人脸图像。这种特征提取框架是一个卷积和采样交替的层级结构，使得特征对旋转、平移、比例缩放等具有高度不变性。MSCAE以encoder-decoder模式训练得到特征提取器，用它提取特征，并融合形成用于分类的特征向量。BP神经网络在ORL和Yale人脸库上的分类结果表明，多尺度特征在识别率和性能上均优于单尺度特征。此外，MSCAE特征与HOG（Histograms of Oriented Gradients）的融合特征取得了比单一特征更高的识别率。

关键词：非监督特征学习、多尺度、卷积自动编码器、深度学习

所属期刊栏目：52

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金No.61304262。

在线出版日期：2016-08-03（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：136-141,196