文献类型：期刊文章

作　　者：吴晓萍[1] 管业鹏[1,2]

Wu Xiaoping;Guan Yepeng(School of Communication & Information Engineering,Shanghai University,Shanghai 200444,China;Key Laboratory of Advanced Display and System Applications,University of Education,Shanghai University, Shanghai 200072, China)

机构地区：[1]上海大学通信与信息工程学院,上海200444 [2]上海大学新型显示技术及应用集成教育部重点实验室,上海200072

出　　处：《激光与光电子学进展》

基　　金：国家自然科学基金(11176016,60872117)

年　　份：2019

卷　　号：56

期　　号：14

起止页码：54-62

语　　种：中文

收录情况：BDHX、BDHX2017、CSCD、CSCD2019_2020、IC、JST、RCCSE、SCOPUS、WOS、ZGKJHX、核心刊

摘　　要：人脸姿态变化复杂且对人脸识别性能影响明显,提出了一种融合LCCDN (LSTM and CNN based Cascade Deep Network)与增量聚类的多姿态人脸识别方法。采用LCCDN模型定位人脸关键点,利用长短时记忆网络(LSTM)的记忆功能寻找人脸各关键点在空间上的全局上下文的依赖关系对人脸关键点初始化,并通过卷积神经网络模型,采用由粗到精的策略;定位人脸关键点;以人脸关键点作为人脸朝向描述子,同时为适应人脸姿态不断地动态更新,采用基于熵诱导度量机制的增量聚类方法,对头部姿态进行动态增量聚类,构建人脸姿态池。在此基础上,通过建立不同姿态的人脸识别分类模型实现多姿态人脸识别,在CAS-PEAL-R1、CFP和Multi-PIE三个数据集上的人脸识别准确率分别达到96.75%,96.50%,97.82%。通过与同类人脸识别方法的客观定量对比,实验结果表明所提方法有效、可行。

关 键 词：图像处理 人脸识别 人脸关键点  增量聚类 多姿态

分 类 号：TP391.4]