摘 要：人脸识别可以靠很多技术手段来实现，而本文则主要探讨了通过深度机器学习卷积神经网络来实现人脸识别，人脸是图像识别中相对复杂的识别对象，提高识别精度相对困难，通过卷积神经网络可以有效地提高人脸识别精度，使其达到一个比较满意的程度。本文重点论述卷积神经网络进行人脸识别的过程与方法，介绍了如何通过改进卷积神经网络来提高识别精度。为从事图像识别的研究者提供了一些可借鉴的研究思路。
关键词：深度机器学习；卷积神经网络；人脸识别
中图分类号：TP391.41；TP183 文献标识码：A 文章编号：2096-4706（2018）10-0102-03
Abstract：Face recognition can be realized by many technical means. In this paper，we mainly discuss the realization of face recognition by deep machine learning convolution neural network. Face is a relatively complex recognition object in image recognition. It is difficult to improve recognition accuracy. The face recognition can be effectively improved by convolution neural network. Accuracy is achieved to a satisfactory degree. This paper focuses on the process and method of face recognition based on convolution neural network，and introduces how to improve the recognition accuracy by improving convolution neural network. It provides some useful research ideas for researchers engaged in image recognition.
Keyword：deep machine leaning；convolution neural network；face recognition
0 引 言
卷积神经网络进行人脸识别需要经过以下步骤，首先需要准备训练集图像、验证集图像、测试集图像；然后通过程序标注图像标签，形成标签文件；图像准备好后，我们需要将图像格式转化为LMDB格式，便于提高训练模型的速度；进而建立卷积神经网络结构；配置模型训练参数；开始通过训练集图像、验证集图像训练图像识别模型；模型训练达到所希望的精度后，通过调用模型进行图像识别。下面则介绍了如何通过卷积神经网络实现人脸识别。
1 图像标注
编写训练参数备置程序，卷积神经网络采用train_val.prototxt编写的网络结构，验证集迭代3次，验证图像每批次10张，学习率为0.0001，学习策略为“step”，衰减速率0.5，步长100步进行一次学习率衰减。每10次迭代显示一次识别精度，模型总共迭代600次，动量0.9，权重0.005，迭代300次快照一次，保存阶段性训练模型。采用CPU进行训练。模型训练大约需要2小时左右。
5 人脸图像识别
通过Python语言编写人脸图像识别程序，首先读取被识别对象人脸图像，然后调用已训练好的模型，通过模型提取被识别对象特征与人脸库图像进行比对，计算分类概率，概率最高的图像类别为被识别对象的图像类别，将此图像类别名称输出，即人脸图像姓名输出，得到识别结果。
第1卷积层获得的人脸图像的特征图，卷积核大小6×6，通过卷积层获得了人脸图像的一些轮廓特征。
第1池化层实现图像平移、旋转、位置变化的图像特征不变性。
以此类推，经过5层卷积层和五层池化层则可获得人脸图像的深度特征。
通过归一化层图像处理，将图像数据限定在一定的阈值内，将有效地提高运算速度。特征更加集中。
最后通过全连接层输出完整的图像，与验证集进行比对。
6 结 论
在人脸识别的技术实现过程中，体会之一是卷积层的层数对人脸识别的精度影响比较大，开始进行人脸识别时，卷积神经网络的卷积层设为5层，人脸识别精度为78%，当卷积神经网络卷积层提高到6层时，人脸识别精度可以跃升到97%，可以看出学习深度对人脸识别影响比较大。学习深度增加，卷积层从5层增加到6层消耗的时间也随之增加，训练时间从2小时增加到3小时，增加学习深度的同时需要考虑各种开销，找到一个最佳的平衡点。另外，卷积神经网络的结构设计非常重要，在人脸识别神经网络中采用的激活函数为ReLU；人脸识别效果比较好，增加了Drop层，减少了过拟合；卷积神经网络使用的池化层比较多；归一化层也比较多；全连接层用了两层，通过多次输出调整，使输出图像质量提高。神经网络中设置了识别精度计算层，可以实时观察识别精度的变化速度和变化趋势，为神经网络结构的调整、参数的调整提供了依据。通过设置损失函数层，实时调整神经网络偏差。在训练模型中，参数设置也非常重要，可以直接影响图像识别的精度，同样学习率和学习率衰减设置也比较重要，学习率设置大了可能会跳过重要的特征，学习率小会在原地徘徊，学习率最好设置成动态减少的状态，逐步逼近最优解。动量变化在人脸识别中不显著。
参考文献：
[1] Xiaocheng Luo，Ruihan Shen，Jian Hu，et al.A Deep Convolution Neural Network Model for Vehicle Recognition and Face Recognition [J].Procedia Computer Science，2017（107）：715-720.
[2] 田壮壮，占荣辉，胡杰民，等.基于卷积神经网络的SAR图像目标识别研究 [J].雷达学报，2016，5（3）：320-325.
[3] Sanjana Majumder，Devendran B.Face Recogniyion Using Lifting based DWT and Local Binary Pattern [J].Internatinal Research Journal of Engineering and Technology，2015（6）：830-834.
[4] Haichao Zhang，Yanning Zhang，Thomas S. Huang. Pose-robust face recognition via sparse representation [J].Pattern Recognition，2013，46（5）：1511-1521.
作者简介：陆红（1963-），男，北京人，所长，副教授，硕士。研究方向：大数据、人工智能。
