基于迁移学习的人脸姿态分类方法

人脸姿态分类在智能人机交互、虚拟现实、智能控制以及人脸识别等多个领域都有广泛的应用.由于人脸姿态分类过程中存在不同角度间特征重叠率高的问题,导致其分类精度过低.为提高人脸姿态分类的准确率与鲁棒性,提出了基于迁移学习的人脸姿态分类方法.该方法利用卷积神经网络的特征提取和学习能力,对特征进行识别和分类,从而得到单方向人脸姿态的训练参数.利用迁移学习,将卷积神经网络训练好的参数应用于训练两个方向的人脸姿态模型中.使用该方法在CAS-PEAL数据集上进行了实验,最终结果的准确率达到98.7％,并且与AlexNet、VGGNet和ResNet等网络模型做对比实验,得到了更好的人脸姿态分类效果.实验结果表明,所提出的方法显著提高了人脸姿态分类的准确率与鲁棒性.