基于改進(jìn)CNN的人臉檢測(cè)和識(shí)別技術(shù)研究.pdf

1、近年來，人臉識(shí)別在門禁中得到廣泛應(yīng)用。與此同時(shí)，深度學(xué)習(xí)網(wǎng)絡(luò)在人臉識(shí)別技術(shù)上掀起了巨大的浪潮，其模型具有層次性且參數(shù)容量大，能將數(shù)據(jù)特征更好的展現(xiàn)出來。其中深度學(xué)習(xí)中CNN在圖像處理上具有空間位置的旋轉(zhuǎn)、平移和縮放的不變性，在人臉識(shí)別中可以避免圖像中人臉平移與其他形式的變形對(duì)識(shí)別的影響，發(fā)揮出良好的人臉識(shí)別效率，但CNN過擬合是當(dāng)前面臨的一個(gè)難題。本文圍繞門禁中正面人臉識(shí)別，利用Caffe深度學(xué)習(xí)框架對(duì)基于CNN神經(jīng)網(wǎng)絡(luò)的人臉檢測(cè)和識(shí)別

2、在有限樣本下如何解決網(wǎng)絡(luò)過擬合和提升識(shí)別率進(jìn)行研究，主要工作如下:
　　(1)針對(duì)人臉檢測(cè)二分類CNN過擬合問題，本文提出該網(wǎng)絡(luò)中網(wǎng)絡(luò)優(yōu)化模塊即全連接層改進(jìn)設(shè)計(jì)方法，將訓(xùn)練階段原Dropout隨機(jī)稀疏的方式改進(jìn)為按輸出值由大到小分為三個(gè)等級(jí)（前1/3，中間1/3和后1/3），并分別給三個(gè)等級(jí)設(shè)定不同的稀疏度（輸出值大的稀疏率低，輸出值小的稀疏率高），對(duì)該網(wǎng)絡(luò)測(cè)試階段的全連接層稀疏化處理。基于深度學(xué)習(xí)Caffe框架，本文利用改進(jìn)的二

3、分類網(wǎng)絡(luò)對(duì)人臉檢測(cè)進(jìn)行實(shí)現(xiàn)，用GitHub中訓(xùn)練好的模型結(jié)合本文數(shù)據(jù)對(duì)網(wǎng)絡(luò)進(jìn)行微調(diào)，并將訓(xùn)練好的二分類CNN進(jìn)行全卷積網(wǎng)絡(luò)轉(zhuǎn)換，最后運(yùn)用滑動(dòng)窗口檢測(cè)到人臉。
　　(2)本文利用改進(jìn)的Alexnet多分類CNN結(jié)構(gòu)進(jìn)行人臉識(shí)別。首先，對(duì)該網(wǎng)絡(luò)采用不同的激勵(lì)函數(shù)，分析不同激勵(lì)函數(shù)對(duì)網(wǎng)絡(luò)性能的影響。接著，針對(duì)人臉識(shí)別Alexnet網(wǎng)絡(luò)參數(shù)多，容易導(dǎo)致網(wǎng)絡(luò)過擬合，影響人臉識(shí)別率的問題，對(duì)Alexnet網(wǎng)絡(luò)結(jié)構(gòu)改進(jìn)使網(wǎng)絡(luò)參數(shù)輕量化，提高識(shí)別

4、率。本文設(shè)計(jì)方案為:去掉網(wǎng)絡(luò)中參數(shù)量最大的一個(gè)全連接層，對(duì)原11×11卷積核大小的Conv1_1縱向拆分成7×7和5×5卷積核大小的兩層，對(duì)原5×5卷積核大小的Conv1_2層橫向拆分成1×1、3×3和5×5卷積核大小的三層。最后，基于Caffe本文利用改進(jìn)的Alexnet網(wǎng)絡(luò)對(duì)人臉識(shí)別進(jìn)行了實(shí)現(xiàn)，將待識(shí)別的人臉圖片通過人眼對(duì)齊，并隨機(jī)切分成10個(gè)以不同坐標(biāo)起點(diǎn)的樣本圖片，利用訓(xùn)練的多分類CNN模型進(jìn)行識(shí)別。
　　(3)為了驗(yàn)證文