Page 59 - 基于深度学习的人工智能技术研究

第二章 人工智能核心技术

了 LOGISTIC 回归，从而在一定程度上克服了小样本效应的问题。该方法在标准
ORL 人脸数据库中测试结果达到了 90.48% 的识别率。
2. 现代无遮挡人脸识别方法
现代无遮挡人脸识别大多结合深度学习的理论和技术。该类方法不必人为对

不同类型的类内差异（例如人脸的姿势、待识别者的年龄等）设计特定特征，因
为其能够自然地从训练数据中获得。
（1）基于特征子空间的方法
基于特征子空间的方法是一种将人脸的二维图像通过变换调整到另外的空间

中，从而便于在其他空间中处理非人脸特征同人脸特征之间的区别的处理方法。
其常用的算法有主元分析法（又称 K-L 变换法）、因子分解法、Fisher 准则方法、
小波变换等。尹飞等基于一般的 PCA 方法做了一定改善。该方法在选用的部分
小像素图像中实验得到大约 76% 的识别准确率。乔宇等提出了一种基于加权的

主元分析法。该方法先利用大量样本的统计学习求得各特征较合适的加权系数，
再加强对关键特征的识别、弱化非关键特征的作用实现加权 K-L 变换。该方法
在剑桥的 ORL 人脸数据库达到接近 95% 的识别率。齐兴敏改善了以往 Fisher 准
则类方法应用于人脸识别中常见的小样本问题，提出了改进的基于 Fisher 准则的

2DPCA 人脸识别算法。该方法综合运用了 2DPCA 提取人脸特征和 LDA 做分类，
克服了小样本问题，在 50~55 维之间保持较高的识别率。
（2）基于双模态融合的方法
基于双模态融合的方法同时运用二维和三维两个模态的信息，可以在信号层、

特征层、决策层进行融合，从而获得比单模态更优的识别效果。Sotiris 等提出了
一种计算效率高并且不需要扩展训练集的归一化方法。在其大数据集上的实验结
果表明，在分类前应用所提出的归一化算法可以显著提高基于模板的人脸识别性
能。该方法在其自行采集的三维人脸数据集中，识别率达到 96.3% 以上。Yingjie

等融合了归一化的形状和纹理权重向量，提出了一种基于三维距离数据和二维灰
度图像的人脸识别方法。在对其 50 名学生的面部图像的实验中，达到了 90% 以
上的识别率。Chiraz 等融合了深度和纹理的人脸编码，提出了一种模式分类器，
支持深度、纹理、深度和纹理融合这三种输入。该方法在 185 个测试人脸数据中，

均达到了 92% 以上的识别率；且深度和纹理结合达到 97% 左右的识别率。

51