基于深度学习的多姿态人脸识别关键技术研究＊解瑞云１，２，海本斋３，刘秀４，张雅君１，２（１．河南工学院电缆工程学院，河南新乡４５３００３；２．河南省线缆结构与材料重点实验室，河南新乡４５３００３；３．河南师范大学教育信息技术学院，河南新乡４５３００７；４．河南师范大学文学院，河南新乡４５３００７）摘要：随着计算机视觉技术的不断发展，人脸识别技术已经广泛应用于实时视频监控、图像检索、推荐系统等领域，但是受限于人脸识别过程中的姿态、光照、跟踪等问题，导致人脸识别的准确率和可靠性受到很大制约。文章基于深度学习算法，通过对人脸数据的ＨＯＧ特征提取、图像分割，并利用卷积神经网络技术进行训练和编码输出，最后利用ＳＶＭ分类器进行数据比对，进而对人脸进行识别。实验结果表明，该人脸识别技术能够完成对多姿态人脸的准确识别，达到了应用标准。关键词：深度学习；人脸识别；方向梯度直方图；神经网络；分类器中图分类号：ＴＰ３９９文献标识码：Ａ文章编号：２０９６－７７７２（２０２３）０１－００１９－０５０引言人脸识别技术作为一种新兴的生物特征识别［１，２］技术，集成了数字图像、视频处理、模式识别［３，４］和计算机视觉等多种技术，具有用户交互方便、准确率高、非接触式等特点，当前已经在门禁、考勤、电子支付等领域广泛使用。与此同时，人们对人脸识别与验证［５，６］的精确度和可靠性要求也越来越高。人脸识别技术一般可以分为人脸检测与定位和特征提取与识别两个部分，而姿态、光照、跟踪等问题是影响人脸识别精确度和可靠性的重要因素，其中提高多姿态条件下人脸识别的精确度已经成为人脸识别技术研究的热点和难点问题［７］。１研究现状传统的人脸识别技术主要采用主成分分析（ＰｒｉｎｃｉｐａｌＣｏｍｐｏｎｅｎｔＡｎａｌｙｓｉｓ，ＰＣＡ）、支持向量机（ＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅ，ＳＶＭ）等算法［８，９］，该类算法只对人脸面部浅层特征进行提取，对于复杂的非线性面部表情缺乏良好的鲁棒性［１０］，不能在无约束环境下提取稳定的人脸特征，从而造成算法识别率较低，甚至在人脸出现角度偏转或者其他非正脸姿态时无法准确识别，无法满足实际生活中的应用需求。随着机器学习、神经网络［１１］和大数据技术的不断发展，卷积神经网络、多层反馈循环神经网络等深度学习算法已成为当前人脸识别的主流算法，本文将在已有研究基础上，进一步利用神经网络技术对人...
