摘  要

 近年来,人工智能领域发展迅速,随着人工智能技术的日益成熟以及日益广泛的应用,人脸识别技术作为新型信息时代人工智能应用的一个关键节点,是一个至关重要的技术应用模块。当今时代进行身份验证的方式很多，比如身份证号、账户密码、生物指纹以及人脸验证。但是在信息采集以及使用方便程度来说，还是人脸识别更具优势。用户经过一次人脸采集和用户信息绑定之后，以后无需在重复采集。人脸识别技术主要是依靠对人脸的关键点信息的保存,保存成功之后，用户可以通过摄像设备对脸部进行验证，摄像设备实时对用户面部关键点的抓取，并实时比较人脸库中相似度最高的人脸数，最终找到匹配的用户信息，提供给用户有关的信息服务。在人工智能加持下的人脸识别,可以可靠地向用户提供面部识别服务可以为用户带来了更好的用户信息服务体验。人们对人脸识别技术的研究过程主要经历如下几个阶段。第一阶段是1964年至1990年，在该阶段的研究深度不深，只是把人脸识别作为一个问题进行研究，虽然提出了很多前沿性的解决方案，但是由于当时受到各种资源的制约都没有能付诸实践。第二阶段是1991年至1997年，这一时间段虽然比较短暂，但是研究成果却可谓是有很大的突破，不但研究出了很多具有代表性的人脸识别算法，美国军方还专门组织了著名的FERET人脸识别算法测试，并且在这基础上衍生出生了若干商业化运作的人脸识别系统，其中比较著名的人脸识别系统是Visionics(现为Identix)的FaceIt系统。第三阶段是1998年至今，该阶段主要任务是增强人脸识别的鲁棒性，实现更高精度的人脸识别。在该阶段可谓是百家争鸣，涌现出了一系类优秀的算法。该阶段主要通过光照和姿态进行深入研究。其中基于CNN的人脸识别技术研究和应用最为广泛。

本文为了深入研究卷积神经网络，通过学习研究国内外人脸识别技术和卷积神经网络的相关现状，通过经典的模型构建应用，将其以人脸识别作为应用依托，主要工作如下：

（1）构建若干个具有不同特征值的多层过滤器的卷积神经网络模型，并将该模型进行测试应用，应用在解决人脸识别问题上。

（2）通过实验模拟，分析该模型的准确率，是否能完全应用于人脸识别的问题解决上，给出可行性建议，分析CNN模型优缺点。

（3）通过采用具有不同特征值的过滤层得出的不同实验结果，比较各个模型的优缺点。

人脸识别支持的应用场景众多，并且正在改变传统用户识别的应用模式。举一些在不同领域中应用的例子，支付宝用户人脸付款、手机faceID解锁以及抖音人脸小游戏等。

 

关键词: 卷积神经网络，人脸识别，图像识别，生物指纹

目  录

 

第一章 绪论 7

1.1 课题背景与意义 7

1.2 国内外研究现状 7

1.2.1 人脸识别研究现状 7

1.2.2 卷积神经网络研究现状 8

1.3 课题的主要工作 8

1.4 本文的组织结构 8

第二章 卷积神经网络的理论基础 10

2.1 卷积神经网络的特性 10

2.2 卷积神经网络的基本结构 11

2.3 卷积神经网络的激活函数 12

第三章 结合LBP的CNN人脸识别 16

3.1 卷积神经网络训练 16

3.2 LECNN实现 16

3.3 结合LBP的优势分析 16

第四章 基于卷积神经网络的人脸识别实现 18

4.1 软件环境和硬件环境 18

4.2 人脸识别的流程 19

4.3 人脸数据准备以及预处理 20

4.4  keras神经网络的搭建 21

4.5 系统的识别效果 23

第五章 总结与展望 24

参考文献 25

致 谢 27