曾军英，赵晓晓，林作永，谌瑶，冯武林



曾军英，赵晓晓，林作永，谌瑶，冯武林

（五邑大学 信息工程学院，广东 江门 529020）

1 相关理论

1.1 图像重构

众所周知，深度学习模型提取的特征可以较好地表达和描述人脸图像. 本文通过深度学习模型提取特征，并利用提取的特征重构图像. 重构图像的深度网络模型如图1所示. 输入图像是任意姿态和光照的人脸图像，深度网络的特征提取层包括3个连接层和2个聚合层. 首先，输入图像通过特征提取层进行编码，其中有3个本地连接层和2个聚合层交替堆叠. 每层在不同的尺度上提取人脸特征，如图1中，第1连接层输出32个特征映射. 每张图像在人脸区域外都有大量的强烈响应，主要捕获人脸姿态、光照信息，而在人脸区域内的一些强烈响应用于捕捉人脸结构. 在输出特征映射的第2局部连接层，强烈响应的人脸区域已显著减少，表明丢弃了人脸大部分差异而保持面部结构. 第3本地连接层输出重构特征，该特征是稀疏的并且保持身份特征，而且使用一个完全连接的重建层，重构特征可以恢复标准视图的人脸图像.

图1 图像重构模型

1.2 稀疏表示

由于从式（5）得到的解还包含多类人脸的系数，故可将测试人脸样本的类别修正为式（7），即

1.3 平滑算法

2 实验结果与分析

实验平台为主频2GHz的中央处理器、4GB内存，MATLAB7.6版本，Windows 7系统.

图2 FERET人脸数据库部分人脸图像

2.1 重构人脸图像的识别率

表1 不同方法对重构图像和原始图像的识别率 %

2.2 平滑算……

登录APP查看全文