迁移学习模型下的小样本人脸识别算法

人脸识别的效果在很大程度上取决于已经标定的数据集,当试验训练数据不足时其识别效果会很差.为解决数据集不足的问题,提出了一种迁移学习模型下的小样本人脸识别算法.在将预先训练的卷积神经网络迁移到小样本人脸目标集时使用受限玻尔兹曼机RBM,将训练模型中的全连接层改为RBM,并用小样本人脸数据重新训练RBM和SoftMax层,最后用BP算法进行参数调整.加入的RBM能进一步学习小样本人脸的高阶特征,降低了人脸数据集的内容差异对迁移特征识别的影响.试验选用包含1040人的CAS-PEAL人脸图像数据库及试验室收集的40张人脸进行训练、验证和测试,试验结果表明,用RBM代替CNN中的全连接层的方法,与PCA、BP和LBP网络模型相比,人脸识别的有效率提高了2.1％～8.3％,是一种切实可行的小样本的人脸识别方法.