基于深度学习的彩色人脸识别系统

论文总字数：20434字

目 录

1 引言 1

1.1 论文研究的背景 1

1.2 国内外研究现状 2

1.2.1 深度学习的研究现状 2

1.2.2 人脸识别的研究现状 2

1.3 传统人脸识别方法与基于卷积神经网络的人脸识别方法比较 2

1.4 课题研究的意义 3

2 深度学习概述 3

2.1 深度学习下的神经网络 4

2.2 深度学习的具体模型及方法 4

2.3 深度学习的应用 4

3卷积神经网络概要阐述 4

3.1 卷积神经网络结构 5

3.1.1 神经网络结构 5

3.1.2 卷积神经网络结构 6

3.2 卷积神经网络的特点 8

3.3 卷积神经网络的工作原理 8

4 人脸识别技术概述 8

4.1 人脸识别技术简介 9

4.2 传统的人脸识别方法 9

4.3 基于深度学习的人脸识别方法 9

5 开发环境简介 9

5.1 开发框架简介 9

5.1.1 深度学习框架Keras简介 10

5.1.2 计算机视觉框架OpenCV简介 10

5.1.3 计算库TensorFlow简介 10

5.2 开发环境及其开发工具简介 11

5.2.1 开发环境 11

5.2.2 开发工具 12

6 基于CNN训练模式的彩色人脸识别 12

6.1 准备工作 12

6.1.1 环境搭建 12

6.1.2 基本实现过程 14

6.2 详细过程 16

6.2.1 彩色人脸数据集介绍 16

6.2.2 数据加载及测试集选取 16

6.2.3 图片数据的预处理工作 17

6.2.4 卷积网络模型的构建 17

6.3 结果分析 19

6.3.1 训练结果分析 19

6.3.2 测试结果分析 20

7 总结 21

参考文献 23

致谢 24

基于深度学习的彩色人脸识别系统

高泉铭

，China

Abstract：Since 2000, with the rapid development of the Internet, the age of big data has gradually come to us. The concept of Deep Learning was proposed in 2006 for the greater demand the people have for intelligent analysis and forecasts of big data. This article focuses on the research of Convolutional Neural Network (CNN) in Deep Learning algorithms. In this paper, we will refer to a series of concepts and techniques, and these are not only about Deep Learning but the face recognition. My mainly task is to realize a color face recognition system based on the construction of CNN model – the calculation of the base layer, the strategy used in the pool layer, the application of the activation function “ReLu”, the stochastic gradient descent, and the completion of the Danse layer, etc. Finally, as the data set of the California Institute of Technology’s color face database, it can divided into the test set and the training set, calculated through the model we finished with cross validation method. And we judge from the correct rate of this color face recognition system, showing that the method of Deep Learning could be completely feasible.

Key words： Deep Learning; Color Face Recognition; Convolutional Neural Network; Artificial Neural Network.

1 引言

1.1 论文研究的背景

深度学习是所有深度学习算法的总称，这些算法是以模型的形式来工作的，由这种形式来达到机器学习的目的，它能将各式各样大量数据加以训练，从这些数据中获得一些具有特殊含义的信息，并将这些信息进行区别得到大概率的预测结果，这些信息现在通常被认为是这些数据的“特征”。深度学习在人工神经网络的挖掘中被提出，是其中较新的算法实现，由于这一类算法构建并模拟了神经系统来统计、学习等，如对图片、音频和文字进行说明解释，因此被广泛应用于各种领域。本文仅讨论深度学习在人脸识别中的应用，因此侧重点在CNN的学习与研究上。

CNN是近几年发展出来的深度学习方法，由于其所具有的高效率识别而引起了广泛的重视。早在1958年，在对猫大脑的皮层的研究中，Hubel和Wiesel发现其瞳孔的区域与猫脑中的神经元有某种关系，发现这些神经元组成了独特的网络结构，并且该结构中神经网络的反馈过程的复杂程度不那么高，于是他们提出了卷积神经网络这个概念。如今，卷积神经网络作为世界范围内的科学研究热点，尤其是在模式分类方面，它规避了对图像处理的中输入处理的那种复杂性，而是直接对输进去的图像来进行一系列的自动化操作，因而被认可并被应用。 首次被实现的卷积神经网络是在1980年被欧洲科学家提出来的新识别机。直到今天，越来越多的科研工作者已经对它进行了不同程度的优化。早些时候，由2位著名的深度学习科学家提出的“改进认知机”是具代表性的，它集中了许多已经经过优化的方法并剔除了误差反向传播操作所消耗的时间。

本文讨论的另一个范畴是关于人脸识别的技术，尽管本次应用以深度学习为基本算法，但是随着计算机互联网的日渐发达，越来越多的信息安全问题开始彰显出来，人脸识别作为一种现今必要的安全技术有不得不被提出意义，其应用领域现在已经不止是在安全的范畴，它在绘画、医学、安保、法医学等领域中，都有极其重大的作用。

随着新兴技术的发展，传统的身份识别如磁卡、口令识别等方法，其安全程度于现今来看已然不再可靠，于是就需要新的信息识别和检测技术。这时，生物体征开始受到了关注。生物体征是伴随着人类遗传的DNA所决定的，是每个人都拥有并且唯一的，极大程度或者说完全解决了身份信息识别中的关键问题。而根据调查数据显示，90%的人在接触他人时，是通过观察另一个人的脸部特征继而了解对方，并且获取对方一些大概的信息的，即使人们可能会因为外界客观条件影响如皮肤的质量、光线光照、或者表情改变等发生一定程度乃至彻底的变化，但是依旧能被认出来，这也说明人的脸部中蕴含着大量的能被识别的信息，若能提取出人脸脸部的这些信息，就可以通过这些信息来判断一个人。

随着卷积神经网络模型在图像识别领域的强大，其应用于人脸识别中的识别误差率也越来越低，通过CNN模型来对人脸数据模型进行训练，提取其相对应的特征信息，模拟实现人脑认知判断人脸这一过程，也显得更加可靠，将CNN应用在人脸识别中，使之能更有效率更低误差的实现识别。

1.2 国内外研究现状

1.2.1 深度学习的研究现状

由于信息技术的发展越来越快，人类的无论是生活方式，或者是思考方式，亦或是学习方式都产生了不一样程度的变化，这也使得人类更加快速的步入了学习型社会。当各种各样的技术支持出现时，新型的学习方式开始受到人们热切的关注并且流行起来，人们将更多地注意到这种学习型技术和当代背景下大数据的结合可能带来的更具效益的模式，而这种模式的关键之处在于学习型技术的优化和改进。随着学习科学领域的发展，深度学习的发展已经慢慢成为了这种模式中较为重要的一个前提，甚至它就是这种模式的理念跟基础。

为了了解深度学习的研究现状，本文引用了一些研究数据，其数据结果从时间走向上来看，在国际上，从2005-2015共10年间，关于深度学习的文献数量都是上升的趋势，只是其基数较小；2007年之前，国外深度学习的研究数量不超过25，2007-2010年研究数量相较于之前有了些许的增长，但是这样的增长量并不明显，也由此得到于国际上来说，该方面的研究并没有收到太大的重视；直到2011年，深度学习的研究数量首次出现很大幅度的上升，这说明在这之后社会认可并着重关注了深度学习，而其研究的成果也慢慢多了起来；从国家分布来看，对于深度学习研究文献总量排名前五的国家分别位：美国、中国、澳大利亚、英国、加拿大^[1]，当然，这些研究数据的考量方面不仅仅限于发文的数量，其文章所研究的结果是否具有重要的意义也是需要斟酌的，这也说明我国对于深度学习的研究较之于国际上也是很重视的。

1.2.2 人脸识别的研究现状

近年来，为了安防领域的发展，各国也都对其投入了大量的精力，而身份的检测一直都是该领域的一个关键问题，人脸识别如今已经成为不可或缺的一种安防方式，势必得到科学技术领域广大的关注。从应用层面上来看，人脸识别的市场在接下来的4年内仍将依旧有着飞跃式的发展，并且会逐渐变成非常优秀而有意义的新兴产业。

于我国的市场来说，只用了不多时的市场酝酿以及栽培，其人脸识别市场在近几年就已经发展到一个不错的时期。根据市场研究机构发布的《人脸识别市场全球产业分析：2015年到2022年》报告来看，2014年全球人脸识别市场价值已经达到1307亿美元，预计到2022年，都将会以其9.5%的复合年增长率快速增长^[2]。通过专家分析，到2020年时，中国的人脸识别技术市场与集成软件、服务市场的总和大概会是3000亿元的规模，其中人脸识别技术市场将突破千亿级^[3]。

1.3 传统人脸识别方法与基于卷积神经网络的人脸识别方法比较

剩余内容已隐藏，请支付后下载全文，论文总字数：20434字

相关图片展示：