Page 58 - 基于深度学习的人工智能技术研究

Research on Artificial Intelligence Technology Based on Deep Learning
基于深度学习的人工智能技术研究

如用于刑事案件侦破、智慧交通、出入口控制、互联网服务等。人脸识别不同于
传统的学科，涉及计算机视觉、心理学等诸多学科的理论和方法，人脸识别技术
的研究对相关人员知识体系的完备性提出了较高要求，具有丰富的研究意义。
（一）无遮挡人脸识别

无遮挡人脸识别是指受外界条件影响因素小或较理想的无外界影响因素情况
下的人脸识别。传统无遮挡人脸识别方法可分为基于几何特征的方法、基于代数
特征的方法；现代无遮挡人脸识别方法可分为基于特征子空间的方法、基于双模
态融合的方法。

1. 传统无遮挡人脸识别方法
（1）基于几何特征的方法
基于几何特征的人脸识别方法是一种比较直观且常用于早期人脸识别的传统
方法。该类方法通常需要和其他辅助算法结合使用才可以获得更好的效果。基于

该方法的人脸识别系统主要提取人脸的主要几何特征点（如面部轮廓等）、面部
主要器官连续形状、几何特征曲率等信息进行识别。人面部不能完全近似为刚体
的特性为几何特征的提取带来了较高的复杂度和难度。张俊等使用形态交离变换
法先确定眼球的位置，以此为基础来确定各器官的分布区域、根据区域点投影图

确定特征点。其设计的特征向量具有尺寸、旋转和位移的不变性，获得了较好的
适应，最后在 250 个待测样本中达到 96% 的识别率。阙晓辉等结合使用 PCA 等
算法，利用肤色模型和器官特征提取了人脸特征和用于辅助的侧脸特征（正侧面
特征相结合），提出了基于局部特征的人脸识别算法。该方法也获得了比较好的

识别效果。
（2）基于代数特征的方法
此类方法从代数特征的角度出发，相较于基于几何特征的方法，其优势在于
对光照和人的表情变化有一定的包容度。彭辉等改进 K-L 变换进行人脸识别。

该方法的核心为分层次的最小距离分类器，其识别率达到 86.13%、91.06%。高
丽萍等提出了特征半脸方法，该方法在 Stirling 人像数据库的识别率优于单独的
特征脸方法。周德龙以奇异值特征向量为基础，结合模拟 K-L 变换、Fisher 线性
判别分析技术等，设计出了十分简捷有效的分类器，利用少量的特征向量得到

了较高识别率：在 Essex 彩色人脸图像数据库中测试达到 96.25% 的识别率。王
蕴红等引入了正负样本学习过程进行人脸识别。该方法对结果隶属度函数进行

50