卷積神經(jīng)網(wǎng)絡(luò)下的人臉識別研究范文

本站小編為你精心準(zhǔn)備了卷積神經(jīng)網(wǎng)絡(luò)下的人臉識別研究參考范文，愿這些范文能點(diǎn)燃您思維的火花，激發(fā)您的寫作靈感。歡迎深入閱讀并收藏。

摘要：傳統(tǒng)人臉識別技術(shù)無法準(zhǔn)確辨識臉部詳細(xì)特征，如今將卷積神經(jīng)網(wǎng)絡(luò)技術(shù)滲透人臉識別研究過程，參照傳統(tǒng)的lenrt-5模型的結(jié)構(gòu)，講述一種CNN結(jié)構(gòu)。通過驗證得知，此類結(jié)構(gòu)無需復(fù)雜的學(xué)習(xí)參數(shù)，并且基于數(shù)據(jù)庫可以獲得較高的識別率。本文重點(diǎn)講述了卷積神經(jīng)網(wǎng)絡(luò)的內(nèi)容、學(xué)習(xí)框架以及學(xué)習(xí)內(nèi)容。

關(guān)鍵詞：人臉識別；卷積神經(jīng)網(wǎng)絡(luò)；圖像識別；深度學(xué)習(xí)；模式識別

隨著科學(xué)水平的提高，人臉識別研究已經(jīng)能夠逐漸實(shí)現(xiàn)。如今人臉識別技術(shù)已經(jīng)深入各個領(lǐng)域，例如海關(guān)檢查、公交抓捕等。隨著人臉識別技術(shù)的普及，國內(nèi)互聯(lián)網(wǎng)公司也著手于此項技術(shù)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(qū)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(jìn)行識別，過程較為復(fù)雜。卷積神經(jīng)網(wǎng)絡(luò)屬于先進(jìn)的深度學(xué)習(xí)算法，其已經(jīng)作為科研人員的重點(diǎn)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(wǎng)絡(luò)結(jié)構(gòu)能夠無限逼近于生物神經(jīng)網(wǎng)絡(luò)，有效降低權(quán)值共享，網(wǎng)絡(luò)模型隨著不斷學(xué)習(xí)參數(shù)，可以有效降低結(jié)構(gòu)的復(fù)雜性。本文針對人臉識別算法特征提取和訓(xùn)練分類器展開詳細(xì)分析。

一、卷積神經(jīng)網(wǎng)絡(luò)

1.用于ORL人臉識別的CNN通常情況下，七層卷積神經(jīng)網(wǎng)絡(luò)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(qū)域的大小為2X2，相鄰小區(qū)域之間無重疊，激活函數(shù)均采用Sigmoid函數(shù)。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(jīng)元，上層的輸出作為下一層的輸入。此外，本文實(shí)驗學(xué)習(xí)率的取值為常數(shù)1.5。

2.卷積層卷積神經(jīng)網(wǎng)絡(luò)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(yīng)元素不斷結(jié)合，直到函數(shù)被成功激活方可實(shí)現(xiàn)。

二、深度學(xué)習(xí)框架-Caffe深度學(xué)習(xí)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(gòu)建出較高質(zhì)量的深度學(xué)習(xí)框架，CPU與UPU可以完美合并。深度學(xué)習(xí)框架從創(chuàng)立之初，簡便的操作方式以及較高的執(zhí)行效率能夠明確定義每個層次的網(wǎng)絡(luò)，具有較強(qiáng)的可讀性、可移植性和結(jié)構(gòu)化等特點(diǎn)，致使大量的科研人員將它作為深度學(xué)習(xí)的研究重點(diǎn)。

1.Caffe特點(diǎn)第一，模塊化。模塊化設(shè)計能夠分別拓展網(wǎng)絡(luò)層、損失函數(shù)和數(shù)據(jù)格式。第二，顯示以及實(shí)現(xiàn)分開。通常情況下，ProtocolBuffer語言可以將深度學(xué)習(xí)框架的模型定義輸入到相關(guān)文件中，并隨機(jī)利用有向無環(huán)圖展開構(gòu)想。深度學(xué)習(xí)框架可以支撐網(wǎng)絡(luò)架構(gòu)，能夠以互聯(lián)網(wǎng)的需求作為基礎(chǔ)，自動調(diào)整程序內(nèi)容以及儲存空間。最后通過調(diào)用函數(shù)，完成CPU與UPU的互換。第三，測試覆蓋。深度學(xué)習(xí)框架中，所有獨(dú)立模塊均配有相一致的測試。第四，深度學(xué)習(xí)框架同時提供Python以及MATLAB語言的接口。本實(shí)驗最后需要在深度學(xué)習(xí)框架中提供MATLAB接口，然后將文件放置于MATLAB中進(jìn)行結(jié)果驗證。第五，預(yù)訓(xùn)練參考模型。對于視覺項目，深度學(xué)習(xí)框架會根據(jù)各類問題而提供針對性模型結(jié)構(gòu)，但這類模型結(jié)構(gòu)無法用于商業(yè)領(lǐng)域。

2．Caffe架構(gòu)第一，數(shù)據(jù)存儲。深度學(xué)習(xí)架構(gòu)通過“Blobs”方式將數(shù)據(jù)信息進(jìn)行保存，換言之，利用四維數(shù)組方式存儲與傳遞數(shù)據(jù)。采用Blobs方式會存在共用的接口，獨(dú)立操作大量的圖片以及數(shù)據(jù)參數(shù)的更換。而Models會以ProtocolBuffers的形式保留于磁盤，如果有大型數(shù)據(jù)存在，數(shù)據(jù)信息會存儲于Leve1DB數(shù)據(jù)庫中。第二，網(wǎng)絡(luò)層。深度學(xué)習(xí)框架層并未限制Blobs輸入數(shù)量，并可以快速計算該方式的輸出結(jié)果。網(wǎng)絡(luò)是一個全方位的控制，其主要有兩項任務(wù):首先，前向傳播，需要輸入并產(chǎn)生輸出；其次，反向傳播，獲得梯度并將它作為輸出，再以參數(shù)和輸入計算出梯度。深度學(xué)習(xí)框架提供一種全面的結(jié)構(gòu)模型，此項模型不僅便捷，而且極具實(shí)用性。第三，網(wǎng)絡(luò)運(yùn)行方式。深度學(xué)習(xí)框架將所有有向無環(huán)層圖存儲于系統(tǒng)中，確保訓(xùn)練樣本能夠精確地開展前向傳播及反向傳播。深度學(xué)習(xí)框架作為一個終端到終端的機(jī)器學(xué)習(xí)系統(tǒng)，從數(shù)據(jù)層貫穿于loss層。利用某項開關(guān)，使其網(wǎng)絡(luò)在CPU與UPU上有效運(yùn)行。第四，訓(xùn)練網(wǎng)絡(luò)。深度學(xué)習(xí)框架利用隨機(jī)梯度下降算法開展樣本訓(xùn)練。其適用范圍較廣，包括已有模型或更新的結(jié)構(gòu)和數(shù)據(jù)熟悉。當(dāng)學(xué)習(xí)新的樣本時，學(xué)習(xí)框架以開發(fā)人員需求為標(biāo)準(zhǔn)重新更改權(quán)重，有效提高訓(xùn)練效率，提高模型精度。

三、實(shí)驗環(huán)境和結(jié)果分析

1．實(shí)驗?zāi)康谋緦?shí)驗在深度學(xué)習(xí)框架中調(diào)用網(wǎng)絡(luò)模型，針對樣本開展學(xué)習(xí)訓(xùn)練，將某個照片輸入進(jìn)軟件程序中，并通過深度學(xué)習(xí)接口，從程序調(diào)用，從而對樣本數(shù)據(jù)進(jìn)行識別，判斷相似度。

2．實(shí)驗環(huán)境及數(shù)據(jù)本文在利用64位系統(tǒng)開展調(diào)用工作，收集樣本數(shù)據(jù)以及實(shí)際人臉采樣數(shù)據(jù)，最終將圖片格式轉(zhuǎn)變?yōu)?24x224。

3．結(jié)果分析系統(tǒng)將訓(xùn)練樣本轉(zhuǎn)化為二進(jìn)制文件并保存，將此模型圖片輸入程序中與訓(xùn)練好的人名相比對，判斷相似度，此項卷積神經(jīng)網(wǎng)絡(luò)效率極高，且受外界影響較小，最終識別率超過98%，且學(xué)習(xí)速度快。本文針對卷積神經(jīng)網(wǎng)絡(luò)做出詳細(xì)分析，設(shè)計一種全新的網(wǎng)絡(luò)架構(gòu)，利用樣本學(xué)習(xí)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(xué)技術(shù)的發(fā)展，深度學(xué)習(xí)技術(shù)會更加強(qiáng)大，以彌補(bǔ)現(xiàn)有的人臉識別問題。

參考文獻(xiàn)：

[1]楊子文.基于深度卷積神經(jīng)網(wǎng)絡(luò)的人臉識別研究[D]廣西師范大學(xué),2017

[2]曹東旭.基于卷積神經(jīng)網(wǎng)絡(luò)的人臉識別系統(tǒng)設(shè)計與實(shí)現(xiàn)[D]南京郵電大學(xué),2017

[3]幸堅炬.基于卷積神經(jīng)網(wǎng)絡(luò)的人臉識別在疲勞駕駛檢測中的應(yīng)用[D]廣東技術(shù)師范學(xué)院,2017

作者：付悅；郭冀戈；高玉潼 單位：沈陽大學(xué)信息工程學(xué)院