黄帅凤 汤丽娟 梁龙兵

摘 要：给出了一种基于LeNet-5改进的人脸识别方法，以其能适用于资源及计算能力有限的嵌入式系统。把典型卷积神经网络LeNet-5的结构，设计为由两个卷积采样层、一个全连接隐藏层和一个分类输出层，降低了网络结构复杂度。而且减少了卷积核的个数、改进了池化方式以及分类输出方式，降低了计算复杂度。实验证明，在保证训练和测试精度的同时，该方法提高了在嵌入式平台上进行单人脸识别的速度。

关键词：卷积神经网络;人脸识别;LeNet-5;嵌入式系统

中图分类号： TP391      文献标识码：A

Abstract：A face recognition method based on LeNet-5 is presented， which can be applied to embedded systems with limited resources and computing power. We designed the structure of the typical convolutional neural network LeNet-5 to consist of two convolution sampling layers， a fully connected hidden layer， and a classified output layer， which reduces the complexity of the network structure. Moreover， we have reduced the number of convolution kernels， improved the pooling method， and classified output methods， which reduces the computational complexity.Experiments show that while ensuring the accuracy of training and testing， this method improves the speed of single face recognition on embedded platforms.

Key words：convolutional neural network; face recognition; LeNet-5; embedded system

随着人脸识别技术的快速发展，人脸识别技术基于自身的安全性和便利性被广泛应用于嵌入式系统中，并已经取得了一系列卓有成效的成果[1-2]。目前常用于嵌入式平台的人脸识别算法大致有两类：

一类是基于人脸几何特征的提取。此类方法的基本思想是提取面部图像局部的特征或者是全局特征，以及人脸特征区域的整体几何分布、相对距离和比例来形成特征向量，如卷积神经网络、Eigenface等。顾思思[3]等对基于OpenCV（Eigenface）的嵌入式人脸识别技术进行了研究，实现了一种实用性、经济性较高的嵌入式人脸识别系统，但是其识别准确率较低。郭吉政[4]采用了卷积神经网络的人脸识别方法，但其在嵌入式设备上应用了较高性能的GPU加速并行计算，并不能普及应用到一般的嵌入式系统上。

另一類是基于表象的方法。此类方法的基本思想是通过降维来减少人脸的数据量，例如通过支持向量机（SVM）等。……