一种基于卷积神经网络的人脸识别方法.pdfVIP

一种基于卷积神经网络的人脸识别方

于达岭;黄洪琼

【摘要】近年来,随着深度学习的发展,卷积神经网络已经广泛运用到图像识别领域,

它不仅提高了识别的准确率,同时自特征提取方面的效果也优于许多传统的算法.提

出一种基于卷积神经网络的人脸识别算法.该方法主要涉及两方面,一是使用卷积神

经网络对训练集进行特征提取;二是将提取的特征图片输入改进的神经网络进行训

练及识别.通过MATLAB进行了仿真实验,对比结果表明卷积神经网络有很好的特

征提取性能及良好识别效果,比现有的算法有很大的优势.

【期刊名称】《微型机与应用》

【年(卷),期】2017(036)014

【总页数】4页(P49-51,56)

【关键词】人脸识别;卷积神经网络;特征提取

【作者】于达岭;黄洪琼

【作者单位】上海海事大学信息工程学院,上海201306;上海海事大学信息工程学

院,上海201306

【正文语种】中文

【中图分类】TP391.9

人脸识别是近年来机器学习与模式识别等人工智能领域的研究热点之一，也是生物

特征识别技术中发展较快的技术之一。目前，人脸识别已经广泛应用于视频监控、

人机交互、门禁安全等领域。传统的人脸识别方法有下列几种：(1)基于几何特征

[1]的人脸识别。通常使用边缘检测与投影函数等方法提取人脸主要器官的特征，

并且匹配各种距离公式。几何特征方法普适性及稳定性较好，但是学习效率不高，

学习能力也相对较弱。(2)基于隐马尔可夫模型[2]的人脸识别。该方法能够运用面

部各器官的联系以及其不同的特征，且具有一定的鲁棒性。然而其公式较为复杂、

计算量大，训练过程易出错且时间长。且马尔科夫模型依赖于对图像前期的预处理，

识别率不高且在在一定程度上受光照的影响。(3)基于主成分分析法[3](Principal

ComponentAnalysis，PCA)的人脸识别。将图像二维矩阵转化为一维矩阵后维

度大大增加，增加了计算的复杂度。K-L(Karhumen-Loeve)变换虽然可以有效地

将维度降低之后再进行特征提取，然而该过程也大大地延长了算法的特征提取时间。

且PCA算法容易受到光照明暗等外界因素的影响。(4)基于人工神经网络的人脸识

别。其中具有代表性的是BP(Back-Propogation)算法[4]，该算法具备了神经网

络学习能力较强且抗干扰能力较强的特点，有良好的非线性映射能力，容错能力和

泛化能力较好，有很好的鲁棒性。然而标准的BP算法容易陷入局部极小值而不能

得到全局最优，且识别结果的优劣依赖人工选取特征合理性。

通过以上分析能够看出，现有方法都多多少少存在不足，本文提出的基于卷积神经

网络[5-7](ConvolutionalNeutralNetwork，CNN)的识别算法能够自动地学习

输入人脸图片的特征以及分类，避免了图像前期的预处理。实验证明，基于卷积神

经网络的识别算法具有良好的特征提取[8]性能以及较高的识别精度。

1.1网络结构

与其他神经网络相比，卷积神经网络[9]不同之处在于其在输入层前加入了卷积层。

卷积神经网络主要分为：输入层、卷积层、降采样(池化)层、全连层、输出层，其

结构主要由卷积层(C)同下采样层(S)相互交替并在尾部与一个全连接层(F)相接，如

图1所示。

图1中，C1层即为卷积层。卷积层的工作是通过一个可学习的卷积核(特征矩阵)

与前一层的图像矩阵，按一定的顺序依次与对应位置的像素相乘，将相乘所得结果

加权求和得到一个值。当卷积完成时，会产生新的图像矩阵。卷积层的对前一层特

征提取的工作完成。实现算法为：卷积层输出=sigmoid(sum(卷积)+偏置)。数学

公式为：

其中，f(·)为激活函数，通常是sigmoid，其公式为:

Mj表示选择的输入maps的集合，为偏置。

S2为降采样层，也叫作池化层。CNN的降采样方法有很多，本文采取的是最经典

的最大池化。该层在CNN的主要作用为对前一层卷积层特征进行降维。所有降采

样层最大池化工作原理如下：将前一层输入的像素矩阵平均分为若干个n×n的像

素矩阵块，取每个矩阵块里的最大值作为该矩阵的新值，这样便形成一个大小为原

来1/n的新特征矩阵。过程如图2所示。

降采样层大大减少了计算量，并且有效地避免因特征过多而产生的过拟合现象。

1.2CNN训练过程

本次研究所采用的CNN网络结构[9]分为6层，包含了2层卷积层、2层降采样

层以、1层全连接层，如图1所示。CNN网络模型特征