卷积神经网络下的人脸识别研究范文

摘要：传统人脸识别技术无法准确辨识脸部详细特征，如今将卷积神经网络技术渗透人脸识别研究过程，参照传统的lenrt-5模型的结构，讲述一种CNN结构。通过验证得知，此类结构无需复杂的学习参数，并且基于数据库可以获得较高的识别率。本文重点讲述了卷积神经网络的内容、学习框架以及学习内容。

关键词：人脸识别；卷积神经网络；图像识别；深度学习；模式识别

随着科学水平的提高，人脸识别研究已经能够逐渐实现。如今人脸识别技术已经深入各个领域，例如海关检查、公交抓捕等。随着人脸识别技术的普及，国内互联网公司也着手于此项技术的研究。目前，人脸识别的代表性方法主要有以下几种:Turk提出的特征脸(Eigenface)方法；基于线性区别分析，belhumeur提出了Fisherface方法。以上方式虽然能够取得较高的识别率，但依然需要工作人员提取特征，然后将提取的特征送入分类器进行识别，过程较为复杂。卷积神经网络属于先进的深度学习算法，其已经作为科研人员的重点研究对象，针对语音以及图像方面的处理有着重大突破。局部感知的网络结构能够无限逼近于生物神经网络，有效降低权值共享，网络模型随着不断学习参数，可以有效降低结构的复杂性。本文针对人脸识别算法特征提取和训练分类器展开详细分析。

一、卷积神经网络

1.用于ORL人脸识别的CNN通常情况下，七层卷积神经网络模型包括输入层、卷积层、降采样层、全连接层以及Sigmoid输出层。卷积核的大小均为5X5，降采样层Pooling区域的大小为2X2，相邻小区域之间无重叠，激活函数均采用Sigmoid函数。每一个卷积层或降采样层由多个特征图组成，每个特征图有多个神经元，上层的输出作为下一层的输入。此外，本文实验学习率的取值为常数1.5。

2.卷积层卷积神经网络中的卷积层属于特征提取层。输入层或者采样层是卷基层的输入源头。该层的所有特征图片均与同样尺寸的卷积核相匹配，而所有的特征图是有所有的卷积核从上次的输入中作卷积，再将所有对应元素不断结合，直到函数被成功激活方可实现。

二、深度学习框架-Caffe深度学习框架

支持命令行、python等接口，C++是其最为重要的程序语言，这门语言不仅可以带给操作人员更大的便利，而且可以构建出较高质量的深度学习框架，CPU与UPU可以完美合并。深度学习框架从创立之初，简便的操作方式以及较高的执行效率能够明确定义每个层次的网络，具有较强的可读性、可移植性和结构化等特点，致使大量的科研人员将它作为深度学习的研究重点。

1.Caffe特点第一，模块化。模块化设计能够分别拓展网络层、损失函数和数据格式。第二，显示以及实现分开。通常情况下，ProtocolBuffer语言可以将深度学习框架的模型定义输入到相关文件中，并随机利用有向无环图展开构想。深度学习框架可以支撑网络架构，能够以互联网的需求作为基础，自动调整程序内容以及储存空间。最后通过调用函数，完成CPU与UPU的互换。第三，测试覆盖。深度学习框架中，所有独立模块均配有相一致的测试。第四，深度学习框架同时提供Python以及MATLAB语言的接口。本实验最后需要在深度学习框架中提供MATLAB接口，然后将文件放置于MATLAB中进行结果验证。第五，预训练参考模型。对于视觉项目，深度学习框架会根据各类问题而提供针对性模型结构，但这类模型结构无法用于商业领域。

2．Caffe架构第一，数据存储。深度学习架构通过“Blobs”方式将数据信息进行保存，换言之，利用四维数组方式存储与传递数据。采用Blobs方式会存在共用的接口，独立操作大量的图片以及数据参数的更换。而Models会以ProtocolBuffers的形式保留于磁盘，如果有大型数据存在，数据信息会存储于Leve1DB数据库中。第二，网络层。深度学习框架层并未限制Blobs输入数量，并可以快速计算该方式的输出结果。网络是一个全方位的控制，其主要有两项任务:首先，前向传播，需要输入并产生输出；其次，反向传播，获得梯度并将它作为输出，再以参数和输入计算出梯度。深度学习框架提供一种全面的结构模型，此项模型不仅便捷，而且极具实用性。第三，网络运行方式。深度学习框架将所有有向无环层图存储于系统中，确保训练样本能够精确地开展前向传播及反向传播。深度学习框架作为一个终端到终端的机器学习系统，从数据层贯穿于loss层。利用某项开关，使其网络在CPU与UPU上有效运行。第四，训练网络。深度学习框架利用随机梯度下降算法开展样本训练。其适用范围较广，包括已有模型或更新的结构和数据熟悉。当学习新的样本时，学习框架以开发人员需求为标准重新更改权重，有效提高训练效率，提高模型精度。

三、实验环境和结果分析

1．实验目的本实验在深度学习框架中调用网络模型，针对样本开展学习训练，将某个照片输入进软件程序中，并通过深度学习接口，从程序调用，从而对样本数据进行识别，判断相似度。

2．实验环境及数据本文在利用64位系统开展调用工作，收集样本数据以及实际人脸采样数据，最终将图片格式转变为224x224。

3．结果分析系统将训练样本转化为二进制文件并保存，将此模型图片输入程序中与训练好的人名相比对，判断相似度，此项卷积神经网络效率极高，且受外界影响较小，最终识别率超过98%，且学习速度快。本文针对卷积神经网络做出详细分析，设计一种全新的网络架构，利用样本学习的功能完成人脸识别。但该模型依然存在部分缺陷，随着科学技术的发展，深度学习技术会更加强大，以弥补现有的人脸识别问题。

参考文献：

[1]杨子文.基于深度卷积神经网络的人脸识别研究[D]广西师范大学,2017

[2]曹东旭.基于卷积神经网络的人脸识别系统设计与实现[D]南京邮电大学,2017

[3]幸坚炬.基于卷积神经网络的人脸识别在疲劳驾驶检测中的应用[D]广东技术师范学院,2017

作者：付悦；郭冀戈；高玉潼 单位：沈阳大学信息工程学院