馮賀平（河北軟件技術(shù)學(xué)院　智能工程系,河北　保定　071000）

深度信念網(wǎng)在人臉檢測(cè)技術(shù)中的應(yīng)用研究

馮賀平
（河北軟件技術(shù)學(xué)院智能工程系,河北保定071000）

摘要：在一個(gè)國家發(fā)展中，高度重視信息安全，一旦信息安全中出現(xiàn)漏洞，一些不法分子就會(huì)趁虛而入，人臉檢測(cè)技術(shù)的出現(xiàn)，能夠詳細(xì)的把握住每個(gè)人的信息，在處理一些工作中會(huì)帶來很大的幫助，因此，文章通過下文對(duì)深度信念網(wǎng)在人臉檢測(cè)技術(shù)中的應(yīng)用進(jìn)行了分析與闡述。

關(guān)鍵詞：深度信念；人臉檢測(cè)；應(yīng)用研究

深度信念網(wǎng)為當(dāng)前一種非常先進(jìn)的技術(shù)方式，其具備非常強(qiáng)大的函數(shù)表現(xiàn)能力，將從少數(shù)樣本中學(xué)習(xí)數(shù)據(jù)本質(zhì)豎向的優(yōu)點(diǎn)能夠充分的展示出來，因此，將這種技術(shù)理念和技術(shù)措施應(yīng)用到人臉檢測(cè)技術(shù)中意義將非常重大。

1　深度信念網(wǎng)的相關(guān)闡述

深度學(xué)習(xí)中包含著深度信念網(wǎng)絡(luò)這個(gè)常用的模型。有可見層存在于該模型中，并且還具備輸出層和隱層兩部分，其中由多層的受限波爾茲曼機(jī)構(gòu)成了其中的隱層，沒有連接起來層內(nèi)的神經(jīng)，但是，能夠互相連接起層間的神經(jīng)元，隱層的功能對(duì)可見層中的有關(guān)數(shù)據(jù)進(jìn)行捕捉訓(xùn)練。

并且，能夠?qū)⒛Ｐ蜋?quán)重生成出來，通過大量的實(shí)踐證明這是一種非常有效的方式。在應(yīng)用的時(shí)候，原始輸入的特征向量能夠通過可見層展示出來，利用現(xiàn)有的輸入特征向量，在經(jīng)過神經(jīng)元向著隱層中映射，這樣隱層的特征向量就能夠被有效的獲取出來，之后利用隱層在向著輸入層中映射，進(jìn)而將傳統(tǒng)的特征向量就能夠重新構(gòu)建起來，對(duì)于完成的特征向量再向著隱層中映射，如此一來，隱層單元的特征向量就能夠再次的被獲取出來，吉布斯采樣即為上述所闡述的過程，在更新權(quán)值的過程中，輸入單元和隱層單元之間的差別即為其中的重要依據(jù)。

2　在人臉檢測(cè)技術(shù)中應(yīng)用深度信念網(wǎng)絡(luò)

H inton等人將深度學(xué)習(xí)概念提了出來，將多層神經(jīng)網(wǎng)絡(luò)具備的優(yōu)秀特征學(xué)習(xí)能力充分的展現(xiàn)了出來，存在于其中的特征能夠更加深刻有效的刻畫出其中的數(shù)據(jù)，進(jìn)而在可視化和分類的過程中都發(fā)揮著巨大的作用。通過將大量的訓(xùn)練數(shù)據(jù)和多隱層的神經(jīng)網(wǎng)絡(luò)構(gòu)建起來出來，來對(duì)更加本質(zhì)的特征進(jìn)行學(xué)習(xí)，進(jìn)而將分類的準(zhǔn)確性有效的提升上來。有多個(gè)受限波爾茲曼基層一同構(gòu)成了DBN，從上一層的隱單元中就能夠獲取到每一層中的關(guān)聯(lián)數(shù)據(jù)，圖1即為一個(gè)比較突出的DBN結(jié)構(gòu)圖形。

圖1

（1）人臉識(shí)別算法的分析?；谕讌^(qū)域及視覺系統(tǒng)同大腦皮層神經(jīng)元的相關(guān)性探究，在人臉識(shí)別的過程中，多通道特征在其中發(fā)揮著非常重要的作用，在這種思想的基礎(chǔ)上，結(jié)合起DBN模型和降維模型，進(jìn)而在DBN多通道人臉識(shí)別方法的基礎(chǔ)上，還能夠獲取出兩種不同降維結(jié)構(gòu)。

結(jié)合起來DBN和降維模型，將Gabor濾波器組卷和局部人臉圖像塊有效的結(jié)合起來，在擬合數(shù)據(jù)的過程中在應(yīng)用相應(yīng)的RBM模塊，進(jìn)而將圖像塊中的相似信息就能夠進(jìn)一步降低下來，進(jìn)而將更加本質(zhì)的特征就能夠提取出來，在訓(xùn)練DBN網(wǎng)絡(luò)的過程中，在積極的應(yīng)用降維后的特征向量。

在建立人臉識(shí)別模型的過程中，還是將DBN模型同降維模型有效的結(jié)合起來，將Cabor小波核函數(shù)卷積和劃分圖像塊的人臉圖像有效的結(jié)合起來，進(jìn)而能夠?qū)㈩l率不同方向不同的特征向量準(zhǔn)確的獲取出來，這樣將其作為DBN的可視層單元對(duì)網(wǎng)絡(luò)完成訓(xùn)練化處理。

這樣在完成了所生成的模型之后，將一個(gè)邏輯回歸層加設(shè)到頂層中，然后向著類別信息上映射圖像特征。這種計(jì)算方式解決了圖像利用Gabor小波獲得信息后，圖片特性過高維數(shù)的不足之處，并且，對(duì)RBM對(duì)本質(zhì)特征的提取和對(duì)數(shù)據(jù)的擬合可以更好的進(jìn)行應(yīng)用。

（2）算法的具體學(xué)習(xí)和訓(xùn)練過程分析。在訓(xùn)練深度信念網(wǎng)絡(luò)的過程中，利用所獲取到的降維特征向量，如上圖所示,將RBM隱層的輸入利用底層圖像的特征來進(jìn)行訓(xùn)練，輸入數(shù)據(jù)在訓(xùn)練下一個(gè)RBM時(shí)主要是應(yīng)用每個(gè)底層的RBM，對(duì)CD算法進(jìn)行使用，進(jìn)而將權(quán)值生成出來，當(dāng)將一組堆疊的RBM逐層的學(xué)習(xí)完成之后，在微調(diào)整個(gè)網(wǎng)絡(luò)的過程中，會(huì)應(yīng)用到頂層的帶標(biāo)簽數(shù)據(jù)。其中詳細(xì)的過程主要有這樣幾部：1）預(yù)先訓(xùn)練。對(duì)基于CD-K的快速學(xué)習(xí)算法所構(gòu)建起來的RBM模型進(jìn)行參照，進(jìn)而將各個(gè)RBM逐層的訓(xùn)練出來，進(jìn)而將隱層節(jié)點(diǎn)和可視層節(jié)點(diǎn)間的權(quán)值能夠有效的獲取出來；2）微觀的訓(xùn)練。在完成了預(yù)訓(xùn)練之后，為了確保有更好的表現(xiàn)能力存在于模型中，這樣用誤差反向傳播算法來進(jìn)行一步的優(yōu)化和調(diào)整DBN模型。將一層邏輯的回歸層加設(shè)到模型的頂層上面，這樣在對(duì)應(yīng)的類別信息上能夠?qū)⑺械膱D像特征反射上去，因此，就能夠利用一個(gè)辨別的模型將DBN模型映射出來，針對(duì)這樣一個(gè)回歸過程而言，在全局化微調(diào)優(yōu)化整個(gè)模型的連接權(quán)值過程中可以應(yīng)用經(jīng)典的BP算法。詳細(xì)過程為：在監(jiān)督訓(xùn)練模型的過程中，可以應(yīng)用數(shù)據(jù)的標(biāo)簽值，進(jìn)而對(duì)各個(gè)層次間的連接權(quán)值進(jìn)行微觀的調(diào)整，從而可以將小模型的具體標(biāo)簽值和目標(biāo)預(yù)測(cè)值的誤差有效的降低下來。在應(yīng)用BP算法微調(diào)模型的時(shí)候，這樣就會(huì)向著一個(gè)誤差非常小的狀態(tài)中將模型收斂進(jìn)去，這是由于預(yù)先貪婪的訓(xùn)練了DBN的模型，對(duì)于以前的BR算法，參數(shù)收斂在訓(xùn)練模型中表現(xiàn)的非常緩慢。隨著位置的改變，人臉的Gabor的特征相位也會(huì)發(fā)生一定的改變，這樣在匹配識(shí)別階段的信息中就會(huì)非常的困難，而圖像的局部能量譜就能夠通過幅值信息展現(xiàn)出來。并且有良好的光滑性會(huì)存在于邊緣附近，在位置發(fā)生變化后它也不會(huì)改變。這樣在匹配識(shí)別中就會(huì)發(fā)揮巨大的作用。因此，在進(jìn)行信息識(shí)別時(shí)，就可以應(yīng)用特征幅值的方式。

3　結(jié)語

綜上所述，深度學(xué)習(xí)，可通過學(xué)習(xí)一種深層非線性網(wǎng)絡(luò)結(jié)構(gòu),實(shí)現(xiàn)復(fù)雜函數(shù)逼近，該算法克服了因姿態(tài)變換等因素引入的非線性干擾，具備一定的抗干擾能力，并且能夠保證一定的實(shí)時(shí)性，從而克服了視頻檢測(cè)中遇到的難題，使該系統(tǒng)識(shí)別率更高，且自主識(shí)別，自主學(xué)習(xí)、自主更替模型的功能。

參考文獻(xiàn)：

[1]柴瑞敏,曹振基.基于Gabor小波與深度信念網(wǎng)絡(luò)的人臉識(shí)別方法[J].計(jì)算機(jī)應(yīng)用,2011(08).

[2]吳小俊.圖象特征抽取與識(shí)別理論及其在人臉識(shí)別中的應(yīng)用[D].南京:南京理工大學(xué),2002.

[3]周昕.基于 BP 神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別技術(shù)的研究[D].南京:南京理工大學(xué),2007.

[4]陳伏兵,楊靜宇等.基于模塊2DPCA的人臉識(shí)別方法[J].中國圖象圖形學(xué)報(bào),2006(04).

課題名稱：深度信念網(wǎng)在人臉檢測(cè)技術(shù)中的應(yīng)用研究保定科技局廳級(jí)自然科學(xué)指導(dǎo)性課題，課題編號(hào)14ZG 041。

作者簡(jiǎn)介：馮賀平，研究方向：智能檢測(cè)、智能控制