计算机毕设：基于cnn卷积神经网络的人脸在线识别系统本设计研究_基于 cnn 的人脸学习专注度检测系统设计

基于卷积神经网络的人脸在线识别系统

本设计研究人脸识别技术，基于卷积神经网络构建了一套人脸在线检测识别系统，系统将由以下几个部分构成：

• 制作人脸数据集
• CNN 神经网络模型训练
• 人脸检测
• 人脸识别

经过实验，确定该系统可对本人的人脸进行快速并准确的检测与识别。

关键词: 神经网络； 图像处理； 人脸检测；人脸识别；TensorFlow；模型训练

本系统使用人脸数据集下载:http://vis-www.cs.umass.edu/lfw/lfw.tgz

一、设计目标

• 掌握人脸识别原理；
• 掌握卷积神经网络算法原理
• 掌握卷积神经网络模型训练过程；
• 掌握常用图像处理技术；

设计内容与要求

• 完成基于卷积神经网络的人脸在线识别系统算法设计；
• 完成基于卷积神经网络的人脸在线识别系统模型训练；
• 检测并且识别出人脸；

二、制作人脸数据集

2.1、制作我的人脸数据集

人脸检测出人脸位置，返回坐标、尺寸把脸用数组切片的方法截取下来，把截取的小图片保存下来作为数据集。

本系统获取本人的人脸数据集 10000 张，使用的是 dlib 来识别人脸，虽然速度比 OpenCV 识别慢，但是识别效果更好。其中，人脸大小：64*64。

2.2、主要步骤

• 加载 dlib 机器学习的开源库
• 图像预处理 cvtColor（灰度化）。
• 使用 dlib 自带的 frontal_face_detector 进行特征提取。
• 使用特征提取器进行人脸检测。
• 人脸保存。

2.3、制作结果

2.4、制作其他人脸数据集

本系统使用人脸数据集下载:http://vis-www.cs.umass.edu/lfw/lfw.tgz。先将下载的图片集放在 img_source 目录下，用 dlib 来批量识别图片中的人脸部分，并保存到指定目录 faces_other。人脸大小为 64*64。

2.5、主要步骤

• 读入人脸数据集源文件
• 加载 dlib 机器学习的开源库。
• 用 dlib 来批量识别图片中的人脸部分。
• 人脸保存。

2.6、制作结果

三、 神经网络模型训练

3.1、卷积神经网络内部分析

第一、二层（卷积层 1、池化层 1），输入图片 64643，输出图片 323232；

第三、四层（卷积层 2、池化层 2），输入图片 323232，输出图片 161664；

第五、六层（卷积层 3、池化层 3），输入图片 161664，输出图片 8864；

第七层（全连接层），输入图片 8864，reshape 到 14096，输出 1512；

第八层（输出层），输入 1512，输出 12。

输出神经网络输出的 1*2，与标签 y_ [0,1]、[1,0]对比得出损失，损失函数为交叉熵，优化器采用 Adan 优化器，计算模型准确率。

代码实现：

cross_entropy = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=out, labels=y_))

optimizer = tf.train.AdamOptimizer(learning_rate).minimize(cross_entropy)

accuracy = tf.reduce_mean(tf.cast(tf.equal(tf.argmax(out, 1), tf.argmax(y_, 1)), tf.float32))

3.2、输入层

人脸检测出人脸位置，返回坐标、尺寸把脸用数组切片的方法截取下来，把截取的小图片送入神经网络进行训练，输入的图片 64643。

3.3、卷积层

本网路共三层卷积层，卷积核大小为（3，3），卷积步长为[1,1,1,1]，即一步，padding=“SAME”。卷积层提取特征，

增加通道数，图片大小不变。

3.4、池化层

本文提出的池化层采用最大值采样，采样大小为 22，即把输入的特征图分割成不重叠的 22 大小的矩形，对每个矩形取最大值，

所以输出特征图的长和宽均是输入特征图的一半。

3.5、全连接层

为了增强网络的非线性能力，同时限制网络规模的大小，网络在特征提取层提取特征后，接入一个全连接层，该层的每一个神经元

与前一层的所有神经元互相连接，将图片的卷积输出压扁成一个一维向量，输出 1*512。

3.6、输出层

本系统共分两类，一类我的人脸（yes），另一类其他人脸（no），从全连接层输入 1512，输出层输出 12。为求 loss 做准备。

3.7、主要步骤

（1）读入制作好的人脸数据集，将图片数据与标签转化成数组。

（2）划分测试集：训练集=20:1，做归一化处理。

（3）传入卷积神经网络。

（4）训练。

3.8、训练结果

四、利用模型进行人脸识别

4.1 、主要步骤

• 打开摄像头获取图片进行灰度化。
• 人脸检测。
• 导入训练好的神经网络模型。
• 人脸识别。

4.2、识别结果

 

五、总结

本次设计主要研究了基于卷积神经网络的人脸在线识别系统。设计了基于机器视觉的人脸图像采集系统，

自己制作了训练需要的人脸数据集。设计并实现了基于卷积神经网络的人脸识别系统，完成了基于卷积神经网络的