基于子空间学习的深度学习人脸识别算法

在无约束环境下的人脸识别中，常常会出现多重类内因素同时变化的情况。多重类内因素同时变化问题是指：由于拍摄环境的不确定性和拍摄者的不可控性，导致多种类内因素同时出现在一张人脸图像中。如：社交网络中的好友自拍通常会同时涉及表情、光照、遮挡和老化问题。多重类内因素的同时出现，使得从模板集（gallery set）中图像到输入图像的变换过程成为了高度非线性的，从而导致人脸图像的识别难度急剧增加。而深度学习算法则可以通过建立多层网络对非线性变换过程进行建模。近些年，以卷积神经网络（Convolutional Neural Network，CNN）和PCANet模型为代表的深度学习模型在计算机视觉领域中，特别是人脸识别领域中取得了较好的效果。因此，本节采用基于深度学习的人脸识别算法来解决多重类内因素的同时变化问题。

本节介绍两种基于子空间学习的深度学习人脸识别算法，它们分别为基于谱回归判别分析深度网络（Spectral Regression Discriminant Analysis Network，SRDANet）和基于多尺度融合的主成分分析网络（Multiple Scale combined Principal Components Analysis Network，MS-PCANet）。针对训练样本量问题，介绍SRDANet算法。该算法利用有监督的谱回归判别分析（Spectral Regression Discriminant Analysis）算法学习人脸图像中的主要特征向量（leading eigenvectors），并将其作为卷积核。从而保证了深度学习网络的主要参数（即卷积层参数）通过一次前向传播即可学习得到，有效地解决了训练样本量问题。针对信息瓶颈和单一尺度池化问题，介绍MS-PCANet算法。该算法将低层输出和高层输出进行连接，从而构成了局部信息和全局信息相结合的输出特征，有效地解决了信息瓶颈问题。另外，MS-PCANet算法还采用了空间金字塔池化的思想，从多种尺度下对特征图进行池化，从而提取得到了兼顾特征图中局部信息和全局信息的输出特征，有效地解决了单一尺度池化问题。(www.xing528.com)