·918 智能系统学报 第10卷 化，如光照、姿态、表情、背景、性别等。 表3不同训练样本数正确识别率 本文选取人脸库中包含图像数目大于或等于 Table 3 Recognition rate of different training samples 25幅的人作为实验对象，包括29人共2458幅图 微调阶段训练样本数/% 方法 像。每人随机选取5幅人脸图像作为训练样本，其 10 15 余图像作为测试样本。将这些图像首先根据人脸面 PCA 23 27 29 部五官的位置进行区域的划分，然后归一化到固定 SWM 35.5 44 55 大小（下巴区域88×33、嘴部区域51×34、左眼和右 DBN 82.5 83.5 86 眼区域44×31、鼻子区域32×46)，由此生成训练、测 FIP+LDA 83 85.5 86 试样本。 DLWF 85.25 87.5 88 1)隐含层单元设置压缩比不同时对比实验 DLWE 86.5 88.25 89.5 DBN的分类能力主要取决于自下向上、多层提 取得到特征的有效性。为了能够获得更多细节特 由表3可知，本文提出算法经过非监督的预训 征，5个区域长和宽分别向外扩大了Liege LeL 练，为DBN参数提供了较好的初始化值，再经过少 LhLn,它们的取值为各区域长的0.2倍。在构 量有标签的训练样本有监督的微调，便能达到较好 建DBN时，确定各隐含层神经元个数至关重要。因 的识别效果。随着训练样本数不断增加开始时识别 为LFW人脸库中图像都是在没有限制的自然条件 准确率明显上升，而后趋于不变，表明本文算法在非 下采集的，所以人脸图像特征较为复杂，并且含有较 限制条件下进行识别具有良好的鲁棒性。同时，表 多噪声，为了能够有效提取人脸图像抽象特征，首先 3也表明了本文算法比直接输入整张人脸图像像素 应该讨论网络构建问题中，不同隐含层神经元个数 级特征的DBN识别准确率更高。传统的人脸识别 对网络识别性能的影响。实验结果如表2所示。 算法如PCA、SVM等在训练样本个数较少时，所提 表2不同网络结构的正确识别率 取的底维特征分类能力并不强。随着训练样本个数 Table 2 Recognition rate of different network structures 增加，提取的特征分类能力有所增强，但在非限制条 隐含层 DBN DLWF DLWF 件下算法的识别精度并不高。 缩放系数 识别率/% 识别率/% 识别率/% 3)类别数不同时对比实验 0.70 55.75 56.25 58.45 实验3目的是为了验证本文算法在非限制条件 下的普适性和有效性。从LFW中选择拥有人脸图 0.75 64.50 66.75 69.35 像数目大于或等于25幅图像的39个人作为实验的 0.80 68.25 70.25 73.85 候选样本，从其中随机挑选出10、20、30人作为实验 0.85 71.10 74.50 79.25 对象，每人随机挑选出5幅人脸图像作为训练样本， 0.90 82.50 85.25 88.55 其余图像作为测试样本。每次随机选择不同人脸图 由表2可知，随着隐含层神经元缩放系数增加， 像进行实验，求取平均值作为最终结果。本次实验 深度神经网络能够更好地提取得到适合于分类的人 采用的DBN网络隐含层缩放系数与实验2相同，实 脸图像抽象特征，但计算量也随之增大。同时，隐含 验结果如表4所示。 层神经元数目相同时，本文提出算法的识别率均高 表4类别数不同时不同算法正确识别率 于只输入整张人脸图像像素级特征的传统深度神经 Table 4 Recognition rate of different algorithms 网络算法。 类别数/% 2)训练样本数不同时对比实验 方法 10 20 30 实验2的目的是为了测试本文算法在不同数 PCA 27.32 25.74 24.63 量训练样本的情况下，与传统人脸识别算法在识 SVM 41.65 38.23 36.46 别率方面所表现的优劣程度。由于在实际应用 DBN 83.71 84.05 85.21 环境中很难采集得到大量有标签的训练样本，所 FIP+LDA 84.61 86.72 87.51 以在具有较低的训练样本个数条件下，能取得较 好的识别效果就变得尤为重要。表3为深度神 DLWF 85.93 87.16 88.76 经网络隐含层结点数目的缩放系数为0.9时，在 DLWF 86.72 87.84 91.63 不同训练样本数目的条件下，与传统人脸识别方 经过在LFW人脸库上实验可知，本文提出的人 法进行比较的结果。 脸识别算法在非限制条件下的鲁棒性和准确率均高化，如光照、姿态、表情、背景、性别等。 本文选取人脸库中包含图像数目大于或等于 ２５ 幅的人作为实验对象，包括 ２９ 人共 ２４５８ 幅图 像。 每人随机选取 ５ 幅人脸图像作为训练样本，其 余图像作为测试样本。 将这些图像首先根据人脸面 部五官的位置进行区域的划分，然后归一化到固定 大小（下巴区域 ８８×３３、嘴部区域 ５１×３４、左眼和右 眼区域 ４４×３１、鼻子区域 ３２×４６），由此生成训练、测 试样本。 １） 隐含层单元设置压缩比不同时对比实验 ＤＢＮ 的分类能力主要取决于自下向上、多层提 取得到特征的有效性。 为了能够获得更多细节特 征，５ 个区域长和宽分别向外扩大了 Ｌｌｅｙｅ、Ｌｒｅｙｅ、Ｌｎｏｓｅ、 Ｌｍｏｕｔｈ 、Ｌｃｈｉｎ ，它们的取值为各区域长的 ０．２ 倍。 在构 建 ＤＢＮ 时，确定各隐含层神经元个数至关重要。 因 为 ＬＦＷ 人脸库中图像都是在没有限制的自然条件 下采集的，所以人脸图像特征较为复杂，并且含有较 多噪声，为了能够有效提取人脸图像抽象特征，首先 应该讨论网络构建问题中，不同隐含层神经元个数 对网络识别性能的影响。 实验结果如表 ２ 所示。 表 ２ 不同网络结构的正确识别率 Ｔａｂｌｅ ２ Ｒｅｃｏｇｎｉｔｉｏｎ ｒａｔｅ ｏｆ ｄｉｆｆｅｒｅｎｔ ｎｅｔｗｏｒｋ ｓｔｒｕｃｔｕｒｅｓ 隐含层 缩放系数 ＤＢＮ 识别率／ ％ ＤＬＷＦ 识别率／ ％ ＤＬＷＦ ＋ 识别率／ ％ ０．７０ ５５．７５ ５６．２５ ５８．４５ ０．７５ ６４．５０ ６６．７５ ６９．３５ ０．８０ ６８．２５ ７０．２５ ７３．８５ ０．８５ ７１．１０ ７４．５０ ７９．２５ ０．９０ ８２．５０ ８５．２５ ８８．５５ 由表 ２ 可知，随着隐含层神经元缩放系数增加， 深度神经网络能够更好地提取得到适合于分类的人 脸图像抽象特征，但计算量也随之增大。 同时，隐含 层神经元数目相同时，本文提出算法的识别率均高 于只输入整张人脸图像像素级特征的传统深度神经 网络算法。 ２） 训练样本数不同时对比实验 实验 ２ 的目的是为了测试本文算法在不同数 量训练样本的情况下，与传统人脸识别算法在识 别率方面所表现的优劣程度。 由于在实际应用 环境中很难采集得到大量有标签的训练样本，所 以在具有较低的训练样本个数条件下，能取得较 好的识别效果就变得尤为重要。 表 ３ 为深度神 经网络隐含层结点数目的缩放系数为 ０． ９ 时，在 不同训练样本数目的条件下，与传统人脸识别方 法进行比较的结果。 表 ３ 不同训练样本数正确识别率 Ｔａｂｌｅ ３ Ｒｅｃｏｇｎｉｔｉｏｎ ｒａｔｅ ｏｆ ｄｉｆｆｅｒｅｎｔ ｔｒａｉｎｉｎｇ ｓａｍｐｌｅｓ 方法 微调阶段训练样本数／ ％ ５ １０ １５ ＰＣＡ ２３ ２７ ２９ ＳＷＭ ３５．５ ４４ ５５ ＤＢＮ ８２．５ ８３．５ ８６ ＦＩＰ＋ＬＤＡ ８３ ８５．５ ８６ ＤＬＷＦ ８５．２５ ８７．５ ８８ ＤＬＷＦ ＋ ８６．５ ８８．２５ ８９．５ 由表 ３ 可知，本文提出算法经过非监督的预训 练，为 ＤＢＮ 参数提供了较好的初始化值，再经过少 量有标签的训练样本有监督的微调，便能达到较好 的识别效果。 随着训练样本数不断增加开始时识别 准确率明显上升，而后趋于不变，表明本文算法在非 限制条件下进行识别具有良好的鲁棒性。 同时，表 ３ 也表明了本文算法比直接输入整张人脸图像像素 级特征的 ＤＢＮ 识别准确率更高。 传统的人脸识别 算法如 ＰＣＡ、ＳＶＭ 等在训练样本个数较少时，所提 取的底维特征分类能力并不强。 随着训练样本个数 增加，提取的特征分类能力有所增强，但在非限制条 件下算法的识别精度并不高。 ３） 类别数不同时对比实验 实验 ３ 目的是为了验证本文算法在非限制条件 下的普适性和有效性。 从 ＬＦＷ 中选择拥有人脸图 像数目大于或等于 ２５ 幅图像的 ３９ 个人作为实验的 候选样本，从其中随机挑选出 １０、２０、３０ 人作为实验 对象，每人随机挑选出 ５ 幅人脸图像作为训练样本， 其余图像作为测试样本。 每次随机选择不同人脸图 像进行实验，求取平均值作为最终结果。 本次实验 采用的 ＤＢＮ 网络隐含层缩放系数与实验 ２ 相同，实 验结果如表 ４ 所示。 表 ４ 类别数不同时不同算法正确识别率 Ｔａｂｌｅ ４ Ｒｅｃｏｇｎｉｔｉｏｎ ｒａｔｅ ｏｆ ｄｉｆｆｅｒｅｎｔ ａｌｇｏｒｉｔｈｍｓ 方法 类别数／ ％ １０ ２０ ３０ ＰＣＡ ２７．３２ ２５．７４ ２４．６３ ＳＶＭ ４１．６５ ３８．２３ ３６．４６ ＤＢＮ ８３．７１ ８４．０５ ８５．２１ ＦＩＰ＋ＬＤＡ ８４．６１ ８６．７２ ８７．５１ ＤＬＷＦ ８５．９３ ８７．１６ ８８．７６ ＤＬＷＦ ＋ ８６．７２ ８７．８４ ９１．６３ 经过在 ＬＦＷ 人脸库上实验可知，本文提出的人 脸识别算法在非限制条件下的鲁棒性和准确率均高 ·９１８· 智 能 系 统 学 报 第 １０ 卷