本站小編為你精心準備了卷積神經網絡下的人臉識別研究參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

摘要：傳統人臉識別技術無法準確辨識臉部詳細特征，如今將卷積神經網絡技術滲透人臉識別研究過程，參照傳統的lenrt-5模型的結構，講述一種CNN結構。通過驗證得知，此類結構無需復雜的學習參數，并且基于數據庫可以獲得較高的識別率。本文重點講述了卷積神經網絡的內容、學習框架以及學習內容。

關鍵詞：人臉識別；卷積神經網絡；圖像識別；深度學習；模式識別

隨著科學水平的提高，人臉識別研究已經能夠逐漸實現。如今人臉識別技術已經深入各個領域，例如海關檢查、公交抓捕等。隨著人臉識別技術的普及，國內互聯網公司也著手于此項技術的研究。目前，人臉識別的代表性方法主要有以下幾種:Turk提出的特征臉(Eigenface)方法；基于線性區別分析，belhumeur提出了Fisherface方法。以上方式雖然能夠取得較高的識別率，但依然需要工作人員提取特征，然后將提取的特征送入分類器進行識別，過程較為復雜。卷積神經網絡屬于先進的深度學習算法，其已經作為科研人員的重點研究對象，針對語音以及圖像方面的處理有著重大突破。局部感知的網絡結構能夠無限逼近于生物神經網絡，有效降低權值共享，網絡模型隨著不斷學習參數，可以有效降低結構的復雜性。本文針對人臉識別算法特征提取和訓練分類器展開詳細分析。

一、卷積神經網絡

1.用于ORL人臉識別的CNN通常情況下，七層卷積神經網絡模型包括輸入層、卷積層、降采樣層、全連接層以及Sigmoid輸出層。卷積核的大小均為5X5，降采樣層Pooling區域的大小為2X2，相鄰小區域之間無重疊，激活函數均采用Sigmoid函數。每一個卷積層或降采樣層由多個特征圖組成，每個特征圖有多個神經元，上層的輸出作為下一層的輸入。此外，本文實驗學習率的取值為常數1.5。

2.卷積層卷積神經網絡中的卷積層屬于特征提取層。輸入層或者采樣層是卷基層的輸入源頭。該層的所有特征圖片均與同樣尺寸的卷積核相匹配，而所有的特征圖是有所有的卷積核從上次的輸入中作卷積，再將所有對應元素不斷結合，直到函數被成功激活方可實現。

二、深度學習框架-Caffe深度學習框架

支持命令行、python等接口，C++是其最為重要的程序語言，這門語言不僅可以帶給操作人員更大的便利，而且可以構建出較高質量的深度學習框架，CPU與UPU可以完美合并。深度學習框架從創立之初，簡便的操作方式以及較高的執行效率能夠明確定義每個層次的網絡，具有較強的可讀性、可移植性和結構化等特點，致使大量的科研人員將它作為深度學習的研究重點。

1.Caffe特點第一，模塊化。模塊化設計能夠分別拓展網絡層、損失函數和數據格式。第二，顯示以及實現分開。通常情況下，ProtocolBuffer語言可以將深度學習框架的模型定義輸入到相關文件中，并隨機利用有向無環圖展開構想。深度學習框架可以支撐網絡架構，能夠以互聯網的需求作為基礎，自動調整程序內容以及儲存空間。最后通過調用函數，完成CPU與UPU的互換。第三，測試覆蓋。深度學習框架中，所有獨立模塊均配有相一致的測試。第四，深度學習框架同時提供Python以及MATLAB語言的接口。本實驗最后需要在深度學習框架中提供MATLAB接口，然后將文件放置于MATLAB中進行結果驗證。第五，預訓練參考模型。對于視覺項目，深度學習框架會根據各類問題而提供針對性模型結構，但這類模型結構無法用于商業領域。

2．Caffe架構第一，數據存儲。深度學習架構通過“Blobs”方式將數據信息進行保存，換言之，利用四維數組方式存儲與傳遞數據。采用Blobs方式會存在共用的接口，獨立操作大量的圖片以及數據參數的更換。而Models會以ProtocolBuffers的形式保留于磁盤，如果有大型數據存在，數據信息會存儲于Leve1DB數據庫中。第二，網絡層。深度學習框架層并未限制Blobs輸入數量，并可以快速計算該方式的輸出結果。網絡是一個全方位的控制，其主要有兩項任務:首先，前向傳播，需要輸入并產生輸出；其次，反向傳播，獲得梯度并將它作為輸出，再以參數和輸入計算出梯度。深度學習框架提供一種全面的結構模型，此項模型不僅便捷，而且極具實用性。第三，網絡運行方式。深度學習框架將所有有向無環層圖存儲于系統中，確保訓練樣本能夠精確地開展前向傳播及反向傳播。深度學習框架作為一個終端到終端的機器學習系統，從數據層貫穿于loss層。利用某項開關，使其網絡在CPU與UPU上有效運行。第四，訓練網絡。深度學習框架利用隨機梯度下降算法開展樣本訓練。其適用范圍較廣，包括已有模型或更新的結構和數據熟悉。當學習新的樣本時，學習框架以開發人員需求為標準重新更改權重，有效提高訓練效率，提高模型精度。

三、實驗環境和結果分析

1．實驗目的本實驗在深度學習框架中調用網絡模型，針對樣本開展學習訓練，將某個照片輸入進軟件程序中，并通過深度學習接口，從程序調用，從而對樣本數據進行識別，判斷相似度。

2．實驗環境及數據本文在利用64位系統開展調用工作，收集樣本數據以及實際人臉采樣數據，最終將圖片格式轉變為224x224。

3．結果分析系統將訓練樣本轉化為二進制文件并保存，將此模型圖片輸入程序中與訓練好的人名相比對，判斷相似度，此項卷積神經網絡效率極高，且受外界影響較小，最終識別率超過98%，且學習速度快。本文針對卷積神經網絡做出詳細分析，設計一種全新的網絡架構，利用樣本學習的功能完成人臉識別。但該模型依然存在部分缺陷，隨著科學技術的發展，深度學習技術會更加強大，以彌補現有的人臉識別問題。

參考文獻：

[1]楊子文.基于深度卷積神經網絡的人臉識別研究[D]廣西師范大學,2017

[2]曹東旭.基于卷積神經網絡的人臉識別系統設計與實現[D]南京郵電大學,2017

[3]幸堅炬.基于卷積神經網絡的人臉識別在疲勞駕駛檢測中的應用[D]廣東技術師范學院,2017

作者：付悅；郭冀戈；高玉潼 單位：沈陽大學信息工程學院