摘  要：人脸识别技术在实际生活中有很多的应用，像身份证真人匹配，手机面部解锁，手机支付确认等等已经取得了广泛的应用，实现人脸检测的手段也有很多，例如opencv视觉库人脸捕捉，Dlib库实现数据库中人脸匹配，利用机器学习深度学习训练人脸检测模型，在国内百度也提供了现成的人脸识别接口。同时，人脸识别技术使人工智能中很受重视的课题，具有良好的发展前景。

系统是基于个人windows实现的，使用编程语言为python，由于python简单易学，且开发生态环境好，效率高，所以很适合人工智能。IDE为JetBrainPyCharm，环境为tensorflow。

系统是根据mtcnn（多任务卷积神经网络）思想训练出人脸识别模型来设计的，旨在抓取出本地给定图片中的人脸框位置，或者指出最有可能为人脸的区域。根据mtcnn思想，训练模型需要三层网络逐层训练，P-Net层主要获得人脸区域候选框和边界框的回归向量，R-Net层根据P-Net层去掉重叠区域，并进一步筛选出候选框，O-Net层则需要获得人脸关键点的位置，分别为两只眼睛，鼻子，以及嘴角两端的坐标。训练完模型后可使用本地文件夹中的图片进行测试，检测图片中人脸框选取的准确度。

关键词：人脸识别，mtcnn，深度学习，python，tensorflow

目录

摘要

Abstract

1 引言-1

1.1 概述-1

1.2 国内外研究现状和发展趋势-2

1.3 本课题研究的主要内容-5

2 开发环境-6

2.1 硬件条件-6

2.2 软件平台-6

2.2.1 Anaconda安装-6

2.2.2 IDE-6

2.2.3 CUDA-6

2.2.4 CUDNN-7

3系统原理-7

3.1机器学习-7

3.2深度学习-8

3.3卷积神经网络-8

3.3.1 卷积层-8

3.3.2 池化层-9

3.3.3 全连接层-9

3.4 MTCNN-9

4 模型训练-16

4.1 PNet-18

4.1.1 生成复杂样本-19

4.1.2 生成Landmark-20

4.1.3 转化为tfreconds格式-21

4.1.4 训练模型-22

4.2 RNet-26

4.2.1 生成复杂样本-26

4.2.2 生成Landmark-26

4.2.3 转化为tfreconds格式-26

4.2.4 训练模型-27

4.3ONet-28

4.3.1 生成复杂样本-28

4.3.2 生成Landmark-29

4.3.3 转化为tfreconds格式-29

4.3.4 训练模型-30

5 模型测试-31

5.1 本地图片测试-31

6 结论-32

参 考 文 献-33

致 谢-34

附录A-34