基于自学习深度卷积神经网络的姿态变化人脸识别

针对卷积神经网络结构设计依赖人为经验,网络深度、特征图个数设置缺乏理论依据,网络训练需大量训练样本支持,并结合姿态变化人脸识别存在的问题,提出姿态变化人脸底层特征图的样本扩充方法和深度卷积神经网络模型的自学习方法.首先,根据姿态人脸分布规律,将姿态人脸非线性流形空间划分为不同流形层和局部子空间,针对局部子空间内姿态人脸定义人脸底层特征构建方法,实现姿态变化人脸样本扩充.然后,通过网络结构初始化、网络结构全局和局部自适应扩展,获得自学习深度卷积神经网络,实现姿态变化人脸的深层非线性特征提取和识别.实验表明,本文所提方法丰富了卷积神经网络的理论研究,有效改善了姿态变化人脸识别的准确率.