沙特国王大学学报：小波变换与机器学习结合的人脸识别研究的最新成果

沙特国王大学学报小波变换与机器学习相结合的人脸识别Fahima Tabassuma，Md.Imdadul Islama，Risala Tasin Khanb，M.R.阿明ca孟加拉国达卡贾汉吉尔纳加尔大学计算机科学与工程系b孟加拉国达卡贾汉吉尔纳加尔大学信息技术学院c孟加拉国达卡东西方大学数学和物理科学系阿提奇莱因福奥文章历史记录：收到2019年2020年1月14日修订2020年2月14日接受2020年2月21日在线提供保留字：特征向量小波相干FCROI识别准确率A B S T R A C T为了提高目标识别的准确性，在最近的文献中使用了各种识别算法的组合。本文将离散小波变换（DWT）的相干性与主成分分析（PCA）的误差向量、PCA的特征向量、线性判别分析（LDA）的特征向量和卷积神经网络（CNN）的四种不同算法相结合，然后利用检测概率熵和模糊系统对四种结果进行组合。通过研究发现，结合的方法的文件提供了89.56%的最坏情况下和93.34%的最佳情况下的识别率都可以说更好地与以前的作品相比，其中个别的方法已经实现了一组特定的图像。©2020作者（S）。由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍人脸识别在组织安全系统的开发中起着至关重要的作用。在机器学习下的“模式识别”领域，密集的研究正在激增。这一部分介绍了人脸识别的一些最新研究成果，并讨论了这一领域的各种算法及其性能。在人脸识别中，在（Ravikumar等人，2018），其中低-低（LL）子带源自2D DWT，然后应用HOG以获得HOG系数。将LL子带与HOG图像进行二维卷积，然后利用欧氏距离计算测试图像和注册图像的合成矩阵。作者还介绍了几个参数：错误接受率（FAR），错误拒绝率（FRR），等错误率（EER），真成功率（TSR），最大TSR和最佳TSR来衡量识别的完美性。在（Pumlumchiak和Vittayakorn，2017）中，Gabor滤波器，PCA和LDA的组合用于识别面部表情。作者称，PCA*通讯作者。沙特国王大学负责同行审查由于光照和面部表情的影响，人脸特征向量中含有一些不需要的成分，因此丢弃前三个主成分可以提高人脸识别的性能。本文给出了人脸表情检测的准确率与PC去除次数的关系曲线。研究表明，在去除四个PC后，性能继续提高，然后曲线达到饱和。使用CK +数据库和JAFFE数据库的图像，从论文中发现的最大可能准确率超过90%。在本文中，我们考虑正常模式的人脸图像，因此我们考虑PCA下的所有本征分量。在（Jain et al.，2018），其中Viola Jones算法应用于人脸识别中的PCA和LDA。在Grimace数据库和VIT数据库上进行了识别在100幅测试图像上，LDA和PCA在VIT数据库上的准确率分别为94%和90%，而Grimace数据库的准确率分别为96%和90%最近，CNN的深度学习被广泛用于对象检测。例如在（BenteArif等人，2018）手写数字识别使用CNN完成。在CNN下识别未知人的面部表情被发现（Vibha 和Patil ，2017），其中网络使用FERC-2013数据集的2000张图像进行训练。结果显示，使用混淆矩阵，其中发现快乐情绪的检测为90%，中性为80%，提供了其他情绪检测的准确率较低。深度学习在人脸识别中的应用也见于（Guo etal.，（2017年）https://doi.org/10.1016/j.jksuci.2020.02.0021319-1578/©2020作者。由爱思唯尔公司出版代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。制作和主办：Elsevier可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.comF. Tabassum等人/沙特国王大学学报547在可见光和近红外图像下，作者声称该模型在光照变化的情况下比其他现有技术更好地工作。在本文中，我们采取了测试图像，并将其与现有的数据库中的图像使用四种不同的方法，最后每种方法的输出被带到一个融合中心，在那里我们比较每种方法的输出对预定义的阈值。如果大多数应用的算法对同一测试图像显示出接近的结果，则我们认为匹配是完美的并且我们接受该图像，否则我们考虑匹配中的不完美而丢弃该图像。论文的其余部分组织如下：第2节提供了本文的一些相关工作，第3节给出了本文中使用的算法的快照以及将所有这些算法结合起来的实验装置，第4节提供了与第3节相关的结果，第5节总结了整个分析。2. 相关作品在（Revina和Sam Emmanuel，2018）中，发现PCA、支持向量机（SVM）、小波、DCT、LDA、局部二进制模式（LBP）等应用于人脸表情识别（FER）的基于特征的分类，其中以图形方式显示了各种FER技术的复杂度和识别的准确性。 三种方法：高斯滤波器（GF）+DCT，DCT + SVM和LBP-Weber局部描述符（WLD）+成对检测方法具有较高的检测准确率，而逐步线性判别分析（SWLDA）+隐藏条件随机场（HCRF）、HOG + SVM、LBP +三正交平面（TOP）+ SVM等方法复杂度较高。算法的不同组合有助于用户比较复杂度和识别精度。在（Wang等人，2007）提出了一种新的人脸识别模型，称为双向二维线性判别分析（B2DLDA）。在两个数据库上，将该方法与其他四种方法对2DLDA、Fisher脸和特征脸的B2DLDA的平均识别率优于其他四种方法。为了提高识别率，强度和深度图像的相似性分数与称为加权因子的比率相结合的轮廓或识别率相对于加权因子w（从0到1）也与其他四种方法进行了比较，其中所有方法的准确率随加权因子而变化，但所提出的方法确保了所有w值的最大准确度。类似地，识别的准确性在（Ferizal等人， 2017）在性别识别中使用PCA和LDA的组合，其中添加椭圆形掩模面部与常规预处理一起完成，并获得约90%的准确率。 在（Jiang等人， 2017年）PCA算法以修改的形式用于人脸识别，其中人脸被划分为补丁（不同的部分），例如眼睛和鼻子。将图像的各个分量转换为矢量，然后组合成一个新的图像矩阵。将基于块的主成分分析（ PPCA ） 与 二 维 PCA （ 2DPCA ） 和 双 向 二 维 PCA （ （ 2D ）2PACA ）进行了比较。 PPCA 算法在处理时间较长的情况下，对FERET数据库和ORL数据库的准确率分别达到86%和91%。深度神经网络在图像分类中的应用被发现（Dodge和Karam，2018），其中扭曲的图像被认为是输入而没有任何预处理，因为神经网络是用现有类型的失真训练在该论文中，加性高斯模糊被认为是失真的元素绘制了高斯模糊水平对准确率百分比的变化，发现当用模糊图像训练网络时，同样，当网络用含噪图像训练时，发现含噪图像分类的准确性更高与单一现象相比，联合训练神经网络两个专家系统之间适当的作者提出了三种模型：平均集成，软最大输出和基于训练的微调，以实现更好的分类两个失真的联合。CNN、粒子群优化（PSO）和中值滤波器的组合被发现于（YingKampton等人，2019年，用于消除脉冲噪声。首先将高密度脉冲噪声图像应用于CNN中以获得去噪图像，然后将其从输入图像中减去以获得估计的噪声模式。利用这两幅图像，粒子群算法检测出脉冲噪声点的位置，进一步去除噪声。CNN-PSO输出卷积层-N完全连接的前馈网络池化层-N（例如最大值或平均值）卷积层-2…………池化第2层（例如最大值或平均值）卷积层-1输入信号/图像池化第1层（例如最大值或平均值）Fig. 1. CNN的基本结构548F. Tabassum等人/沙特国王大学学报带有背景的面部图像LDA下沿特征向量的图像分量使用PCA用主成分分析确定基于小波变换和软阈值的图像比较-1 DWT相干性CNN比较-4M公司简介不对去噪后的图像进行非线性中值滤波，重建原始图像。CNN和中值滤波器的组合也见于（Yang et al.，2018年，在数字取证领域。在这里，我们考虑的是图像识别而不是重建，因此过滤部分超出了本文的范围，我们直接从基准数据库中应用CNN中的图像3. 系统模型本节简要介绍了目标检测/识别算法的基本理论，以及结合前面提到的四种方法的实验设置。3.1. PCA算法在该算法中，j2{1，2，3，.. . ，M}，每个尺寸为N×N，并且它们被转换为列向量Cj，每个MN的大小21.接下来，平均向量，w1Ci，差向量，1/ 1tors，UiU1U1[1]及其协方差-矩阵C¼ AA如（Meijing et al.，2018年）。最后，从协方差矩阵C确定M个正交特征向量Uk测试图像向量沿正交特征向量Uk的k = {1，2，3，.. . ，M}。测试图像沿Uk的投影向量与输入内核/过滤器的1一个2一个3一个4B1B2B3 B4C1 C2C3 C4D1D2D3 D4p q俄.西输出PA1+QA 2+RB1+SB 2PA2+QA 3+RB2+SB 3PA3+QA 4+RB3+SB 4PA4+QA 5+RB4+SB 5pb1+qb 2+rc 1+sc2pb2+qb 3+rc 2+sc 3pb3+qb 4+rc 3+sc 4 pb4+qb 5+rc 4+sc5pc1+qc 2+rd 1+sd2pc2+qc 3+rd 2+sd 3pc3+qc 4+rd 3+sd 4 pc4+qc 5+rd 4+sd5pd1+qd 2+re 1+se2Pd2+QD 3+Re2+Se 3钯3+qd 4+re 3+se 4 pd4+qd 5+re 4+se5PA2+QA 3+RB2+SB 3PA3+QA 4+RB3+SB 4Pd2+QD 3+Re2+Se 3pc4+qc 5+rd 4+sd 5图二. 卷积和池化操作。最大池化选择ROIF. Tabassum等人/沙特国王大学学报549测试图像测试图像准确度算法-3准确度算法-1准确度算法-3决定融合中心准确度算法-4比较-3 DWT相干性比较-3 DWT相干性图三. 物体识别实验装置。550F. Tabassum等人/沙特国王大学学报我我Sw¼XX。x k-lxk-l1将从矩阵C确定的图像与阈值进行比较，以做出关于测试图像的决定。3.2. LDA方法LDA方法首先考虑第i个人的图像集合，日类散布矩阵C不我我i¼1xk2XiC={x 1，x 2，x 3，... ......这是什么？......你好。. ，xn}，其中x js Y i是j人物形象i并且整个图 像的集合可以被示为Y ={Y1，Y2，Y3，.... ......你好。. ，Yc}。接下来，算法处理两个矩阵：和SB¼XNi. 我...我... l-lT21/1(a) 第1人（b）见图4。 两个人的面部图像的ROI。(a)（b）第（1）款(c)（d）其他事项图五. 同一人图像主成分分析误差向量的一致性。F. Tabassum等人/沙特国王大学学报551Wph;i1ffiMffiffiffiffiNffiffiffi/k;m;nffiMffiffiffiffiNffiffiffiH;V;dgWj;m;nffiffiffiffiffi其中c是类的数量（这里我们认为它是文件夹的数量，并且每个文件夹包含个体的n个面部图像），li是第i组的平均值，并且l是总平均值。下一步是找出m个最大特征值对应的S-1SB的m个酉矩阵。如果正交本征向量为：w1，w2，w3，wm，则xk沿j特征向量为zk=yk.wj。投影向量将识别面部图像或人。3.3. 二维离散小波变换2D-DWT 及 其 逆 运 算 的 详 细 分 析 见 （ Arai 和 Cahya ， 2016;Rafael和Richard，2013）。3.4. 卷积神经网络卷积神经网络提供了非线性操作，其中不是加权因子的乘法，而是用输入信号或矩阵和隐藏层的滤波器进行卷积。连续时间信号x（t）和y（t）的基本卷积运算类似于，在图像处理中，二维离散小波变换包含两类函数：一个尺度函数u（x，y）和三个小波函数wi<$x;y<$;i2{H，V，D}，分别表示水平、垂直和对角部分。不xtωyt¼0xsyt-sds$XfYf;其中xt对于尺寸为M×N1/4 2J× 2J的图像f（x，y），DWT表示为，-Xf和yt$Yf5W/Wk m;nnhfx;y;/k;m;nx;yij;m;nð3Þ对于离散时间信号，X1和Wij;m;nDfx;y;wi其中，pr是交叉-λaxnωynk¼-1 x<$k<$Y<$n-k<$$>X<$z <$Y<$z <$;其中x<$n<$wpMN变量的作用：p和q，以及k= 0作为惯例。这里j = 0，1，2，.. . ，J-1且m = n = 0，1，2，. . ，2j -1。DWT的逆运算是，1Xfx;yp. Wk;m;n/x;yp-Xz和yn$Yz6第i个隐层的输入信号与该层的滤波器的卷积提供第（i+1）个隐层的结果在CNN中，一组卷积层和池化层以cas-cading形式连接，如图所示。1.一、它的工作原理类似于Jun Hyung的深度学习例如，2019年。Yang和Wang，2018年），由于CNN已经大量×X/DWij;m;n;wx;yE4j¼k隐藏的层。池化层提供欠采样ver-sample，并去除信号中不需要的部分即承载特征承载组件。（（（c）（d）见图6。 不同人图像主成分分析误差向量的一致性。Z552F. Tabassum等人/沙特国王大学学报×●×P0的整数;如果Du>200联系我们我2a我（（图2示出了二维信号的卷积操作，例如4 × 4矩阵以及池化操作。在这里，最大投票是基于以下不等式完成的（Nikhil Bduma和Lacascio，2017）：CNN还具有整流线性单元（ReLu）块，其用作激活函数。最后一层是完全连接的，并提供结果。3.5. 实验装置在本文中，我们包括与CNN，采取测试图像和数据库中的图像，如图所示。3.第三章。对于前三种识别技术，我们使用一种通用的准确度算法：3.6. 精度算法从DWT相干性确定M N的二进制矩阵C，其中M是相干图的期望频率范围，N是时间轴的整个范围。(a) 矩阵C的每个元素在以下条件下是，cij2 f0; 1g，测量两个时间序列之间的相移变化，如在（Grinsted等人，2004年）。为了考试-第三类.1;如果Du6200，其中u是相位差在（Agarwal等人，2016），其中发现七种情况下相移在时间尺度图上的变化不同。小波相干性的相移的测量的类似概念在（Suryavanshi等人， 2016），其中该曲线图揭示了在约256 Hz附近发现相位未对准。在本文中，我们考虑图像的特征向量，而不是时间序列来衡量相移之前采取的决定图像的相似性。本文将小波变换相干性的概念应用于三种识别技术中。在这里，我们结合了四种不同的识别技术：（a）（b）PCA的DWT相干性在小波相干中。● 列向量S被创建为添加C的行● S中大于阈值s的元素的百分比（在本文中，我们认为s为75%）给出识别的准确度，pi，i= 1，2，3。● 如果CNN的识别精度为p4，则FC处的数据集为，P= {p1，p2，p3，p4}我们通过划分每个元素来归一化检测概率4门皮岛 ePby，pi和归一化概率1/1则Pn= {a1，a2，a3，a4}。● 接下来，我们确定Pn中元素的熵，E P4alog.1美元。(c)（d）其他事项见图7。同一个人的PCA最大特征值的特征向量的一致性。●联系我们D误差向量（c）LDA本征向量的DWT相干性（d）识别F. Tabassum等人/沙特国王大学学报553-如果E> 1.5，我们认为大多数方法都能正确地检测人脸，因为对于四个元素的等概率情况，E的最大值为2。基于子部分F的实验设置和算法的结果在下一部分中示出。4. 结果首先，我们以两种不同的方式提供PCA下的结果，在应用PCA之前，我们从数据库Faces中获取图像的感兴趣区域（ROI）96. 作为一个例子，两个人的四个图像在图中示出。 四、我们确定PCA的误差向量的相干性的情况下，同一个人的图像提供的测试图像是从外部的PCA算法中使用的图像，如图所示。5（a）-（d）。在这种情况下，我们考虑从64 Hz到128 Hz的主频率分量所有的图都显示了在相移从270°到315°的变化中误差矢量的中等水平的相干性。 对于不同人的情况，误差矢量的相干性在64Hz-128Hz的频率范围内几乎为零。 6（a）-（d）. 选择相干图的时间-频率平面上的范围以证明一对信号 是 可 获 得 的 （ Grinsted 等 人 ， 2004; Agarwal 等 人 ， 2016;Suryavanshi等人， 2016年）。在同一个人的16幅图像的PCA协方差矩阵的特征向量上使用相干性代替传统的PCA误差向量。相应的结果如图所示。 7（a）-（d）。这里频率范围从32 Hz到128 Hz，我们发现具有0°- 45°相位差的非常主导的“矢量相干性”。在不同人的情况下，发现相干性非常低，具有图8（a）-（d）中所示的相移的宽变化。因此，特征向量比PCA的误差向量提供更好的人脸图像的区分。在LDA下，我们沿着六个最大的特征向量观察面部图像的分量。沿着第六大本征向量的图像的八个分量的图如图所示。 9（a）如（Khatun等人，2016年），我们发现曲线分为两组。在第一组中，四条曲线来自第一个人，第二组的其余四条曲线来自第二个人。人脸识别可以从图1的曲线中进行。 9（a），但我们更感兴趣的是时间频率平面上的曲线的相干性，如图。 9（b）和（c）。从时间-频率平面图，我们考虑64 Hz-256 Hz的频率范围，其中同一个人沿着第六特征向量的图像分量在整个持续时间内提供具有零相移的当考虑不同人的图像时，在相同的频率范围内发现很低的在5到25 ms之间发现小的相干性，相移为90°，相移再次为发现在35-45 ms的持续时间内约为45°几乎相同的sce-在1000 Hz的采样频率下，如图9（d）在CNN下，我们首先考虑Faces-96的3个文件夹，每个文件夹包含30张带背景的图像。如前所述，通过预处理去除背景，我们将20张面部图像应用于CNN，并保留10张图像用于测试目的。来自3个数据库的三个测试图像和相应的权重（（(c)（d）其他事项见图8。不同个体主成分分析最大特征值特征向量的一致性。●554F. Tabassum等人/沙特国王大学学报（一）（d）其他事项（g）（十）（米）(p)（q）（r）见图9。 沿着特征向量比较面部图像分量。图10（a）和图10（b）中示出了第一卷积层的第一卷积层的第二卷积层的第一卷积层的第二卷积层的第二卷积层的第一卷积层的第二卷积层的第一卷积层的第二卷积层的第二卷积层的第一卷积层的第二卷积层的第一卷积层的第二卷积层的第一卷积层的第二卷积层的第一卷积层的第二卷积层的第二卷积层的第一卷积层的第二卷积层的第一卷积层的第二卷从实验中，我们在20次迭代内得到了96%的识别率，如图11（a）和（b）所示。相同的（（（（（（（（（（F. Tabassum等人/沙特国王大学学报555再次运行实验，取15张图像用于训练，15张用于测试，其中我们得到图11（c）和（d）中所示的89%的识别率。556F. Tabassum等人/沙特国王大学学报表1CNN下的实验结果(a) 来自三个数据库的三个测试图像(b) CNN第一层的权重见图10。 输入测试图像和第一卷积层的权重。(a) 准确度（b）损失(c)准确度（d）损失见图11。 精度和损失随迭代的变化。(a)来自20个数据库的20个测试图像（b）CNN第一层的权重见图12。 输入测试图像和第一卷积层的权重。实验号不同面部图像识 别 的 准 确 率（ % ） （ 65% 的图像用于训练）识 别 的 准 确 率 %（ 80% 的 图 像 用于训练）131001002696.3898.2331091.8595.4442078.2282.5653067.4978.45F. Tabassum等人/沙特国王大学学报557表2同一个人的实验结果（取10个图像文件夹）。实验号PCA误差向量+ DWT相干性PCA特征向量+ DWT相干LDA特征向量+ DWT相干DWT + CNN182.56379.43284.23491.237284.12483.07684.25693.446381.67281.11185.01389.045484.08984.24682.87693.003表3不同人的实验结果（取10个图像文件夹）。实验号PCA误差向量+ DWT相干性PCA特征向量+ DWT相干LDA特征向量+ DWT相干DWT + CNN125.12738.46744.2326.078232.02137.09946.24554.156336.90844.06739.01143.879441.11258.18945.12444.883表4与以前的作品的结果比较数字图像缩放PCA + ANFIS [27]LDA + ANFIS [27]DWT + PCA + SVM [28DWT + DLDA + SVM [28]FC的拟议工作1097.2978.1291.3697.68100%的1287.2674.3488.2291.38百分之九十三点三四1583.6868.2382.5684.5487.19%2077.9561.1476.3579.2382.27%在10个数据库上进行类似的操作，每个数据库包含100个面部图像。样本测试图像和第一卷积层的对应权重如图12（a）和（b）所示。其中80张图像用于训练，其余20张用于测试目的（Johnson和Khoshgoftaar，2019年Hussain等人， 2018年）。在这种情况下，经过80次迭代，我们得到了95.44%的识别准确率，性能也随着训练图像的减少而恶化取65张图像用于训练，35张用于测试，我们得到的识别准确率为91.85%，这给出了与图11相同的错觉。我们运行实验5倍下的机器：英特尔®酷睿（TM）i7- 8550 U CPU，1.80 GHz，RAM的8GB，64位操作系统，其中代码是在Matlab 18中运行。实验的比较结果示于表1中。如表1所示，当65%的图像用于训练时，识别率随着多样性的增加而急剧恶化，因此我们的CNN的下一个操作将考虑80%的图像用于训练目的。最后，对于同一人和不同人的图像的情况，本文的实验设置的汇总结果示于表2和表3中，前提是80%的图像用于CNN中的训练目的。图3的融合中心从表2和表3中获取数据以运行分段F的算法，以完美地识别人脸。我们运行整个实验100次，取10个文件夹，我们得到的平均准确率为100%，取12个文件夹，平均准确率为93.34%，取15个文件夹，平均准确率为87.19%，最后取20个文件夹，准确率为82.27%。本文所提出的实验装置最多适用于10个文件夹。在（Sharma和Patterh，2015）中，作者在ORL人脸数据库上应用PCA和自适应神经模糊推理系统（ANFIS）的组合，并获得了96.66%的准确率。 然后将LDA +ANFIS应用于同一数据库，良率准确率为68%。在Face-96数据库上进行 实 验 ， 两 种 方 法 的 正 确 率 分 别 为 88.48% 和 73.26% 。 在（Bagherzadeh等人， 2016），对同一ORL人脸库进行DWT + PCA +SVM和DWT + DLDA + SVM的检测，检测准确率分别为87.00%和95%。终于在（Bannour Zied和Seddik，2018），DWT + PCA + SVM应用于AT&T人脸数据库，其准确率为96%，而（Bagherzadeh等人， 2016）在ORL数据库上提供了87%的准确性。在本文中，我们将上述四种技术应用在Face-96数据库上，并将结果与我们在FC上的结果进行了比较，如表4所示。我们的结果在FC被发现优于前四个作品相比5. 结论在本文中，我们结合了四个目标识别技术在人脸识别，其中每一个方法是辅助与DWT。本文提出的系统模型显示了更好的结果与以前的工作的个人算法。我们仍然可以将FIS和SVM应用于DWT的特征向量，因此可以在FC中结合更多的技术以获得更好的检测精度。在未来的研究中，我们将应用此概念于人脸的不同唯一的不足是忽略了光照对人脸识别的影响。竞争利益作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作。引用阿加瓦尔，S.，克里希纳穆尔蒂，V.，Sawon，P.，2016年，使用小波相干和S变换进行心血管疾病分类的ECG信号分析。在Proc. ICACCI Conf. Jaipur，India.阿拉姆，S.，Goo-Rak，K.，2016.使用KPCA，LDA和多核学习SVM进行阿尔茨海默病分类。影像系统与技术国际杂志27（2），133-143。Arai，K.，卡亚河2016.利用离散小波变换得到的纹理信息和颜色信息的图像检索方法。Int. J. 关于Adv. 是的。内特尔 5（10），1-6.Bagherzadeh，S.，Sarcheshmeh，A.，Bagherzadeh，H.，Khalilzadeh，M.，2016年，基于离散小波变换和直接LDA的新型混合人脸识别算法。伊朗国际生物学会议工程师，伊朗德黑兰558F. Tabassum等人/沙特国王大学学报班诺·齐德湖，Seddik，H.，2018年，鲁棒的人脸识别方法使用PCA，ICA，基于DWT的LDA和SVM算法。在procTSP浓度，雅典，希腊，第413 -417页。Bente Arif河，Bakr Siddique，A.，Khan Mohammad R.Rahman Oishe，2018年，M.，利用卷积神经网路对不同隐藏层与时期之手写数字辨识之正确率变化之研究与观察在prociCEEiCT会议2018，MIST，Bangladesh，pp.112-117.道奇，S.，卡拉姆湖，2018. 深度神经网络的质量鲁棒混合。IEEETrans. on ImageProc.27（11），5553-5562。费里萨尔河，Wibirama，S.，Akhmad Setiawan，N.，基于改进预处理和分类技术的PCA和LDA的性别识别。2017年，在Proc. InAES会议上，Yogyakkali，Indonesia，pp.1-6Grinsted，A.，穆尔，J，Jevrejeva，S.，2004.交叉小波变换和小波相干在地球物理时间序列中的应用。Nonlinear Pro.地球物理学，欧洲地球科学联合会（EGU），11（5/6），pp.561-566Guo，K.，Shuai，W.，徐，Y.，2017.使用可见光图像和近红外图像以及深度网络进行人脸识别。CAAI Trans. on Int. Tech. 2（1），39-47。侯赛因岛Qianhua，H.，陈志，2018.基于DCNN的水果自动识别在商品溯源系统中的应用。Int. J. 计算科学附录 8（2/3），1杰恩大学，Kshreyansh，C.，古普塔，S.，Jasmine Pemeena，M.，2018年，使用ViolaJones算法与PCA和LDA分析人脸检测和识别算法。在ICOEI会议上，Tirunelveli，India，pp. 945-950江，T.，黄，T.，赵，X.，妈妈，T.，2017年。基于块的主成分分析用于人脸识别。Comput. 中间和Neurosc。 5317850（2017），1-9.约翰逊，M.，Khoshgoftaar，T.， 2019. 使用神经网络进行医疗保险欺诈检测。J. of BigData，6（63），Springer Int.出版物：pp.1-35.Jun Hyung，K.，郑勋湖尹，崔，2019年，双用户MISO干扰信道中基于机器学习的波束成形。见ICAIIC案，第496 -499页Khatun，T.，Azad，A.，Rahaman，A.，Rafsan，J.，Imdadul，M.，2016.基于ROI特征分解的人脸识别。Int. J. of Computer Sc. and InfSecurity 14（12），1071-1079.梅井湖，Xiuming，Y.，Ryu Keun，H.，李，S.，Nipon，T.，2018.光照归一化条件下的人脸识别技术研究进展.群集计算21（1），1117-1126。Nikhil Bduma，N.，Lacascio，N.，2017.深度学习的基础。出版社：O'Reilly MediaInc，USAPumlumchiak，T.，Vittayakorn，S.，2017年，使用局部Gabor滤波器和PCA加LDA的面部表情识别。在ICITEE会议程序中，泰国普吉岛，第1 -6页拉斐尔，G.，理查德，W.，2013年，数字图像处理。第三版，培生教育。Ravikumar，J.，Ramachandra，C.，拉贾·KVenugopal，K.，2018年，使用DWT和HOG进行基于卷积在ICIIBMS会议上，泰国曼谷，第327 -334页。瑞维纳岛，萨姆·伊曼纽尔，W.，2018.人脸表情识别技术综述。 J. 沙特国王大学计算与信息Sc.，出版中，第1 -10页夏尔马河，巴西-地Patterh，M.，2015.基于模糊神经网络的姿态不变人脸识别。IOSR J.Com pu t .工程师17（3），20-27.Suryavanshi，H.，Velandy J.，Jayalakshmi，S.，2016年，小波变换相干性用于高频瞬 态 信 号 的 幅 度 和 相 位 谱 预 测 ： 变 压 器 局 部 放 电 。 在 IEEE conf. PEDES ，Trivandrum，印度，第14 -17页Vibha ， V. ， Patil ， C. ， 2017. 基 于 深 度 网 络 的 人 脸 情 感 自 动 识 别 与 分 类 在procICCUFIT会议2017，Pune，India，pp.17比18王杰，Hui，K.，Sung，E.，Wei-Yun，Y.，Khwang，T.，2007.融合外观图像和被动立体深度图的双侧二维DLDA人脸识别。 EURASIP J. 图像视频处理 38205（2007），1-11.杨，B.，太阳，X.，恩果角，Weifeng，H.，陈旭，2018.卷积神经网络平滑滤波检测。IET图像处理12（8），1432-1438。杨杰，王建奎，2018年，基于负荷类型识别的深度学习负荷预测方法，在procICMLC确认，Chengdu，China，pp.173-177Ying Kengli，H.，Chong Soon，F.，黄泽，J.，Chee-Onn，C.，2019.使用粒子群优化的深度卷积神经网络进行高密度脉冲噪声检测和去除。IET图像处理 13（2），365-374。