基于卷积神经网络的人脸识别研究与设计

2019-08-23王立凯

通信电源技术 2019年7期

关键词：人脸人脸识别次数

王立凯

（南通大学，江苏南通 226000）

0 引言

随着社会的不断进步，各方面对自动身份验证的快速和有效性提出了越来越高的要求，同时卷积神经网络在人脸识别上的应用技术得到了飞速发展。面部特征是一种具有很强自身稳定性和个体独特性的人体自身属性，所以面部特征识别成为一种有效身份认证的依据。

1 方法论

1.1 n模式的人脸查找任务

n模式的人脸查找任务即在所给数据集中找出与待测人脸相匹配的人脸，也就是回答“这人是谁”的问题。

1.2 训练流程

数据预处理→数据输入→训练过程→验证结果→最终测试→计算机输出匹配错误&正确率。

1.3 数据预处理

在使用冬令营提供的学员照片进行试验时发现，所有照片并非都是优质照片。很多照片在提交时并没有统一化处理，半身照、灯影占比大、亮度过大和表情模糊等因素都会造成最终准确率低的结果。因此，需对数据进行相应的预处理。

1.3.1 归一化处理

照片颜色归一化、大小归一化，处理后的图片相对于原图片人脸数据更明显。

1.3.2 翻转数据集

为达到准确识别，需要为机器提供大量数据进行训练。一张人脸图片翻转后也是同一个人，且可以增加1倍的训练数据量。实验结果表明，翻转数据集后的训练结果会有更高的准确率。

（1）数据输入

将100个同学、每人10张照片转换为向量输入，通过循环进行每张图片的训练。

（2）训练过程

将100位同学每人前8张照片数据经过卷积、池化、dropout处理后输出至全连接，卷积后输出的数据向量进入训练。

（3）验证过程

用100位同学每人一张照片验证训练结果。（4）最终测试

用100位同学每人一张照片做最终测试。

2 实验过程

2.1 控制变量法调参

2.1.1 卷积核的大小

根据7×7与3×3卷积核loss值的对比可以发现，在初始阶段卷积核较大时准确率更低，因为卷积核越大每一次训练时丢弃的特征值越多。但是，随着训练次数的增加，卷积核较大的实验最终达到甚至高于同等条件下卷积核较小的实验对象的准确值。

2.1.2 卷积核的数量

在一定范围内，适当增加卷积核的数量可以提高准确率。刚开始设置的卷积核数目较少，运行出的精确度较低，且收敛慢；后来将卷积核数目增多，每次提取更多的特征，发现loss函数下降越快，识别精度越高。

2.1.3 卷积的层数

每一层卷积神经网络提取一个特征值，提取的特征值越多，则越能区分每一张图片。因此，理论上卷积的层数越多，图像识别的准确率越高。

2.1.4 bitchsize尺寸

batchsize由原来的81变为40，每个网络的神经元个数减少了，但是网络的个数增多了1倍。batchsize指的是每一批处理的样本数量。当batchsize增大时，处理速度会加快，但处理精度会下降。另外，batchsize太小会导致loss函数震荡而不收敛。随着batchsize的增大，处理数据量的速度加快，达到相同精度所需要的训练次数数量越来越多，所以batchsize存在一个峰值。

2.1.5 dropout（丢弃率）

dropout的作用在于简化网络。网络越复杂，需要的训练数据越多，训练速度会越慢。因此，适当增加丢弃率可以提高训练速度。实验验证，适当提高dropout会减小噪声导致的误差，增加准确率。