基于深度学习的人脸识别算法系统设计与实现.docx

摘  要：传统的人脸识别算法主要是通过手工的去提取人脸特征，这样的方法使得人脸识别主观上不仅效率低下，在客观上由于光照、表情等因素也会对我们的结果造成干扰。近年来兴起的基于深度学习的人脸识别技术能够提取出更本质的特征，不需要手工的参与干扰，能够达到较好的结果。论文选题切合现实世界的发展，探索更加高效的人脸识别技术实现。人脸识别效果的达成对比过去的一些基于其它生物特征的方法达到了对于人体非入侵性的良好体验。

-本文介绍了对于实现的人脸识别系统，利用opencv2的方法提取视频帧，然后以一种多级联的网络架构对图片进行特征点的检测，此种方法检测精度十分优秀，然后利用谷歌的FaceNet系统对于输入进行128维embedding向量的提取，FaceNet有着对MTCNN的接口供使用，总后利用最近邻算法的分类模型达到人脸识别的效果。

在最终实现的功能是：通过个人PC摄像头摄入目标的视频流实时检测人脸然后进行人脸对齐，并最终通过训练好的模型进行检测识别。比较好的一点是对于后续分类方法的选取加快了识别的速度与效率，而且对于在识别个体的人脸部分呈现一定角度的倾斜以及光照产生影响的条件下表现良好。

关键词：深度学习；人脸检测；人脸识别；FaceNet；MT-CNN

目录

摘要

Abstract

1 绪论-1

1.1研究背景-1

1.2 国内外研究现状-1

1.2.1 技术方面-1

1.2.2 应用领域-4

1.3 论文结构安排-4

2 方法概述-6

2.1 人脸检测-6

2.1.1 图像特征检测-6

2.1.2 深度学习方法概述-10

2.2 高性能人脸识别网络-20

2.2.1 DeepID-21

2.2.2 DeepFace-21

3方法选择-24

3.1 检测选择-24

3.2 识别选择-24

3.3 数据集选择-25

4 系统实现需求-26

4.1 MT-CNN-26

4.1.1 框架结构-26

4.1.2 网络结构和训练过程-27

4.1.3 损失函数-28

4.2 FaceNet-28

4.2.1 FaceNet结构-29

4.2.2 Triplet Loss-29

4.2.3 FaceNet分析-30

5 实验结果分析-31

5.1 软硬件分析-31

5.2 项目结构介绍-31

5.3 过程分析-32

5.4 识别结果分析-32

5.5 个体倾斜角度分析-35

5.6 检测算法误认分析-35

5.7 模型分析-36

5.8 对比分析-37

5.9 运行速度分析-37

5.10改进分析-37

6 总结-39

参考文献-40

致谢-42

附 录 A-43

附 录 B-45