基于改進CNN的人臉檢測和識別技術研究.pdf

1、近年來，人臉識別在門禁中得到廣泛應用。與此同時，深度學習網絡在人臉識別技術上掀起了巨大的浪潮，其模型具有層次性且參數容量大，能將數據特征更好的展現出來。其中深度學習中CNN在圖像處理上具有空間位置的旋轉、平移和縮放的不變性，在人臉識別中可以避免圖像中人臉平移與其他形式的變形對識別的影響，發(fā)揮出良好的人臉識別效率，但CNN過擬合是當前面臨的一個難題。本文圍繞門禁中正面人臉識別，利用Caffe深度學習框架對基于CNN神經網絡的人臉檢測和識別

2、在有限樣本下如何解決網絡過擬合和提升識別率進行研究，主要工作如下:
　　(1)針對人臉檢測二分類CNN過擬合問題，本文提出該網絡中網絡優(yōu)化模塊即全連接層改進設計方法，將訓練階段原Dropout隨機稀疏的方式改進為按輸出值由大到小分為三個等級（前1/3，中間1/3和后1/3），并分別給三個等級設定不同的稀疏度（輸出值大的稀疏率低，輸出值小的稀疏率高），對該網絡測試階段的全連接層稀疏化處理?；谏疃葘W習Caffe框架，本文利用改進的二

3、分類網絡對人臉檢測進行實現，用GitHub中訓練好的模型結合本文數據對網絡進行微調，并將訓練好的二分類CNN進行全卷積網絡轉換，最后運用滑動窗口檢測到人臉。
　　(2)本文利用改進的Alexnet多分類CNN結構進行人臉識別。首先，對該網絡采用不同的激勵函數，分析不同激勵函數對網絡性能的影響。接著，針對人臉識別Alexnet網絡參數多，容易導致網絡過擬合，影響人臉識別率的問題，對Alexnet網絡結構改進使網絡參數輕量化，提高識別

4、率。本文設計方案為:去掉網絡中參數量最大的一個全連接層，對原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本文利用改進的Alexnet網絡對人臉識別進行了實現，將待識別的人臉圖片通過人眼對齊，并隨機切分成10個以不同坐標起點的樣本圖片，利用訓練的多分類CNN模型進行識別。
　　(3)為了驗證文