基于深度学习的金丝猴面部特性的检测与识别算法研究

There is an urgent need to process and analyze the massive rhinopithecus images, this project would carry out some relevant research in the field on detection and recognition of rhinopithecus facial features. Due to the problems of nonlinear factors in the process of face recognition, deep learning is introduced to explore a deep nonlinear network structure to learning more intrinsic facial features. And the main research contents include: In view of the complexity and uncontrollability of rhinopithecus' survival environment, using the texture features of their facial hair and skin, and the rhinopithecus' faces are detect based on feature fusion and Adaboost in the natural scene images; For the nonlinear factors introduced by facial angle change, DBN is applied to learn the nonlinear relationship among the multi-view facial images, and to extract the common features，then a multi-view face recognition algorithm based on DBN is put forward; For the nonlinear changes of rhinopithecus' facial shape and texture due to the changes of their facial expressions, the Gabor features and RBM network are combined to extract more effective local structural features, and using the facial deformation characteristics, then a facial expression recognition algorithm is proposed which is based on the deformation characteristics and local structural features; Aimed at the fuzziness of estimating the age of rhinopithecus, DBN is used to learn the fold texture features of their facial skin, and an age estimation algorithm based on fuzzy DBN is put forward.

面向对海量金丝猴图像进行快速处理与分析的需求，展开金丝猴面部图像特征检测与识别的研究。针对面部特征识别中存在的非线性因素的问题，引入深度学习的理论和方法，探索能够学习更本质的面部特征的深层非线性网络结构。内容有：针对金丝猴生活环境的复杂性和不可控制性，利用其面部毛发和皮肤的纹理特征，研究基于特征融合与Adaboost的自然场景图像中面部检测算法；针对面部视角变化引入的非线性因素，利用DBN学习带有视角变化的面部图像之间的非线性联系，提取不同视角下面部图像中存在的共性特征，提出基于DBN的多视角面部识别算法；针对面部表情变化致其面部产生形状和纹理的非线性变化，结合Gabor特征和RBM网络以提取更有效的图像局部结构性特征，并利用面部形变特征，研究基于形变特征和局部结构性特征的面部表情识别算法；针对猴龄估计具有的模糊性，利用DBN学习的面部皮肤的褶皱纹理特征,提出基于模糊DBN的猴龄估计算法。

项目面向对海量金丝猴图像数据进行快速处理与分析的应用需求，将图像处理与模式识别技术应用于金丝猴面部特征检测与识别的过程中。针对面部特征识别过程中存在的非线性因素，引入深度学习的理论和方法，探索设计能够学习更本质、更有效的面部特征信息的深层非线性网络结构，展开基于深度学习的金丝猴面部特征检测与识别算法的研究。.主要研究内容包括：.A. 建立灵长类面部数据库：建立了共有222个金丝猴的共计43304幅图像的金丝猴面部图像数据库。此外，前往国内18个动物园，建立了一个包含1040个灵长类动物个体的共计102399张面部图像的灵长类面部数据库。.B.金丝猴面部检测：提出一套相对较为完整的猴脸检测方法，包括猴身定位，面部疑似区域检测和猴脸精确检测3个部分。提出方法能够实现不同大小场景下的猴身定位，同时能够较为准确地进行猴脸检测，猴脸检测平均准确率能够达到92.1%。.C． 视频中金丝猴面部追踪：提出结合Faster RCNN和TLD框架的川金丝猴面部检测与追踪算法；将深度学习目标检测器PVANET与TLD相结合的金丝猴单目标跟踪算法；将PVANET与KCF相结合的金丝猴多目标跟踪算法。.D． 金丝猴面部特征提取及识别：分析金丝猴面部与人脸之间的差异，针对性设计猴脸识别算法。提出基于SPL-BCNN的川金丝猴面部识别，基于浅层Resnet的金丝猴面部识别算法；此外，利用卷积神经网络提取不同性别和年龄阶段的猴脸图像特征， 探索基于深度学习方法的金丝猴性别和年龄识别方法。个体识别平均准确率能够达到97.1%，年龄阶段识别平均识别准确率达到92.2%，性别识别平均识别准确率达到96.5%。.E．金丝猴面部检测、追踪和识别系统:将金丝猴面部检测算法和金丝猴面部识别算法集成开发了一个基于金丝猴面部信息的个体识别系统。.F．动物面部特征生物学意义的深入探索：利用深度学习方法提取的金丝猴面部的特征，探索金丝猴面部所具有的深度特征的生物学意义。.项目研究成果为金丝猴面部特征的提取与识别提供先进的理论、方法和技术支持，为后期金丝猴个体和群体行为规律的研究奠定基础。