基于卷积神经网络的人脸识别研究

《基于卷积神经网络的人脸识别研究》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、为了确保“教学点数字教育资源全覆盖”项目设备正常使用，我校做到安装、教师培训同步进行。设备安装到位后，中心校组织各学点管理人员统一到县教师进修学校进行培训，熟悉系统的使用和维护。基于卷积神经网络的人脸识别研究　　摘要：传统的人脸识别多采用浅层结构提取人脸特征，这类方法提取人脸图像能力有限，效果相对较差。针对上述缺陷，提出基于卷积神经网络的高效识别人脸方法。该方法所设计的模型，结合了VGGNet模型的层次结构优势并融合跨层次结构的上采样特征，大大提高了人脸识别的准确性及识别精度。该模型在Caffe下训练出样本集后在MATLAB上得到了验证。　　关键词：人脸识别；卷积神

2、经网络；UbuntuCaffe；MATLAB　　DOIDOI：/　　中图分类号：TP301　　文献标识码：A文章编号文章编号：　　Abstract：Traditionalfacerecognitionusesshallowstructuretoextractfacialmethodhaslimitedabilitytoextractfaceimages，andtheeffectisrelativelythedevelopmentofcognitivescienceandbrainscience，anefficientfacerecognitionmethodbase

3、donconvolutionalneuralnetworkisproposedmodelcombinesthehierarchicalstructureofVGGNetmodelandcombinesthesampledfeaturesacrosshierarchicalstructures，afterthemodelistrained为了充分发挥“教学点数字教育资源全覆盖”项目设备的作用，我们不仅把资源运用于课堂教学，还利用系统的特色栏目开展课外活动，对学生进行安全教育、健康教育、反邪教教育等丰富学生的课余文化生活。为了确保“教学点数字教育资源全覆盖”项目设备正常

4、使用，我校做到安装、教师培训同步进行。设备安装到位后，中心校组织各学点管理人员统一到县教师进修学校进行培训，熟悉系统的使用和维护。underCaffe，theresultisverifiedonmethodgreatlyimprovestheaccuracyoffacerecognitionandimprovestherecognitionaccuracy.　　KeyWords：facerecognition；convolutionalneuralnetwork；UbuntuCaffe；MATLAB　　0引言　　卷�e神经网络是近年发展起来的一种高效识别方法。20世

5、纪60年代，Hubel和Wiesel在研究猫脑皮层中用于局部敏感和方向选择的神经元时，发现其独特的网络结构可以有效降低反馈神经网络的复杂性，继而提出了卷积神经网络。现在，CNN已成为众多科学领域的研究热点之一，特别是在模式分类领域，由于该网络避免了图像前期复杂的预处理，可直接输入原始图像，因而得到了广泛的应用[1]。在1980年首次提出了新识别机制，随后很多科研工作者对该网络进行了改进[23]。　　1神经网络　　浅层网络与深层网络为了充分发挥“教学点数字教育资源全覆盖”项目设备的作用，我们不仅把资源运用于课堂教学，还利用系统的特色栏目开展课外活动，对学生进行安全教育

6、、健康教育、反邪教教育等丰富学生的课余文化生活。为了确保“教学点数字教育资源全覆盖”项目设备正常使用，我校做到安装、教师培训同步进行。设备安装到位后，中心校组织各学点管理人员统一到县教师进修学校进行培训，熟悉系统的使用和维护。　　浅层网络通常也叫做传统的神经网络。神经网络来源于尝试寻找生物系统信息处理的数字表示。这个模型被广泛使用，许多模型过分夸张地宣称其具有生物的可信性[4]。然而，从模式识别的应用角度来说，模仿生物的真实性会带来相当多的限制。因此，应着重研究作为统计模式识别的高效神经网络，即多层感知器[5]。　　卷积神经网络　　卷积神经网络本质上是一个多层神经网

7、络，但不同于传统的神经网络，每一层上都会有许多的二维平面，并且这些二维平面都含有独立的神经元，大致结构如图1所示[6]。　　图1给定一副输入图像，C1层就是卷积神经网络中非常特殊的卷积层。可以看到输入图像经过C1层得到了3张特征映射图，这是因为在C1层上人为设定了3个不同的卷积核，每一张特征映射图都对应于卷积核中的权重[79]。S2层是卷积神经网中常见的下采样层，它通过一个固定窗口对特征图像进行聚合统计，实现特征图像分辨率的下采样。同理，C3层获取更抽象的特征图，S4层继续下采样降低学习难度。最终网络的最后一层或几层设计成全连接层，目的是为了提取更少、更好的特征