基Python脸识系统
Face recognition system based on Python
摘
着科技断发展工智类生活应越越普作前受关注生物特征识方法脸识考勤边检安防运输等领域着巨应前景工智计算机视觉领域研究热点文基python语言实现脸识系统利keras搭建CNN卷积神网络构造18层网络结构识模型实现脸录入图处理模型训练识脸等功描述图处理模型搭建两模块图处理包括图尺寸例调整数化等知识模型搭建包括模型建立训练评估终识准确率达996
关键词：脸识 图预处理 模型训练 CNN
Abstract
With the rapid development of science and technology artificial intelligence is more and more popular in human life As the currently most concerned method of biometrics recognition face recognition has great application prospects in the fields of time and attendance border inspection security transportation etc It is one of the research hotspots in the field of artificial intelligence and computer vision This paper is a face recognition system based on python It use keras to build a convolutional neural network to construct an 18layer structure recognition model to realize functions such as face input image processing model training and face recognition It mainly describes two modules of image processing and model building Image processing includes knowledge such as image size adjustment and data normalization and model building includes model establishment training and evaluation The final recognition accuracy reached 996
Key words Face recognition Image preprocessing Model training CNN
目录
第章 课题背景 1
11课题源 1
12 研究意义 1
13 国外研究现状 2
14 国研究现状 2
第二章 需求分析 3
21技术行性分析 3
22系统需求分析 3
221程序功需求分析 3
23开发环境需求 4
第三章 系统概设计 5
31模块功介绍 6
311脸录入模块 6
312搭建模型模块 6
313 脸识模块 7
第四章 系统详细设计 8
41 整体运行流程图 8
42 图预处理设计 8
421调整图尺寸 8
422交叉验证法划分数集 10
423数标签onehot编码 10
425素化 11
426 补充说明 12
43 卷积神网络模型设计 12
431卷积神网络 12
432模型设计 15
433模型训练 17
第五章 系统 识结果 20
结束语 22
参考文献 23
致谢 24
第章 课题背景
11课题源
着线支付生活中迅速普出行带钱包带手机逐渐成种趋势然带钱包通常会忘带身份证现实生活方方面面中银行金融贷买房购车住宿旅游购物……需身携带身份证着科学技术快速发展刷脸时代已强势进入生活刷脸支付刷脸安检刷脸考勤……刷脸办事正迅速渗透日常生活工作种追求更加便捷生活方式理念脸识技术创造出许新应场景赋予新生命脸技术成年研究热点然项技术早20世纪60年代便已学者展开研究尤安防领域已研发出少应投入实际运众该技术理解更欧美犯罪电影中出现FBICIA探员通查询世界角落监控器犯罪嫌疑脸识系统相确定犯罪嫌疑出现点然情节夸该项技术应实际脸识技术早已许国家量运安防领域项新出现技术缺乏日常生活中应场景脸识技术直年着智化时代逐渐众熟知国该项技术研究开始1990年目前应考勤边检运输安防等领域
12 研究意义
着工智计算机技术领域迅速发展智化产品逐渐渗透类社会生活中方面社会运行效率幅度提升类慢慢体力劳动中解脱出更时间放技术创新创造脸识作工智中重技术富应意义挑战性研究课题相生物特征识技术脸识技术具非侵扰性非强制性非接触性便捷性等优点符合便捷生活方式追求身份识快速准确安全求身份识动监控机交互等领域拥巨发展潜力脸识技术覆盖计算机视觉模式识数字图处理数学等诸领域学科容然该项技术研究已取成果实际应中存着足困难脸识背景环境脸部表情妆容姿态发型变化会降低识准确性识带困难降低识错误率提高识速度实时性求脸识技术前迫切需解决问题
13 国外研究现状
20世纪60年代脸识技术便已研究直80年代期段时间脸识技术作般性问题研究动完成识务没发表具代表性理研究成果直90年代着计算机运算速度提高脸识技术发展迎重突破诞生许代表性算法特征脸法[1] 樊慧慧 智家居环境动态脸身份识系统设计[D]2015
基线性判分析Fisherface方法 作差法弹性图匹配技术等等脸识技术突飞猛进脸识技术已运许公众场尤911事件国外型公众场合已应技术美国等欧美国家脸识技术着较成早90年代美国军方组织FERET脸识算法测试脸识技术起积极推进2000年脸识技术逐渐学术研究走商业应十年发展脸识技术已广泛应金融安防等众领域
14 国研究现状
国脸识技术研究开始世纪80年代[2] 许丽艳 脸识技术研究[D]天津学 2010
90年代期许院校机构普相国家起步相较晚进展迅速成绩斐然苏光教授提出佳二维脸理MMPPCA算法李子青带领研究团队提出基红外脸识技术汤晓鸥实验室发表DeepID系列算法等等中08年奥运会安保[3] 曹健 脸检测识系统设计应[D] 南京信息工程学2013
[4] 脸识系统应奥运开幕式[J]中国防伪报道 2008 000(009)59
提供保障脸识系统智视频监控系统李子青教授中科院动化研发
学术研究商业涌现科技公司专注项技术研究商汤科技图科技旷视科技国研究脸识技术知名企业该领域均取错成绩图科技分20172018全球脸识挑战赛FRPC赛中获冠军2018年赛测试结果显示图科技识算法千万分误报情况识准确率接99％达接极限水根NIST2018年根全球脸识算法测试情况发布排名中前五名中三名中国公司包揽[5] 弘毅 2019脸识技术50强[J]互联网周刊2019(21)
数表明国脸识技术国际名列前茅
第二章 需求分析
脸识技术年研究热点讨焦点应许领域开始安防金融教育考勤等目前国国家量学者断深入研究
21技术行性分析
着手开发前查阅量资料目前脸识技术种算法卷积神网络极少预处理原始素快速识出特征规律选择卷积神网络算法做脸识通搭建层网络模型模型输入脸数进行训练模型够实时视频流中出现脸进行准确识
训练模型需准备数集利摄头收集身边脸部图片作数集更验证模型需数集交叉验证原划分训练集验证集测试集三部分采交叉验证手动划分数集会数分布均匀导致训练出模型偏数较造成测试实际预测时数较少分类正确交叉验证法通例样进行划分重复样数够组训练集测试集模型训练效果更优
许机器学算法直接标签数进行操作求输入变量输出变量数字形式onehot编码分类数转化二进制格式分类输入输出变量样供机器学
图素组成彩色图3矩阵构成红(R)绿(G)蓝(B)三颜色通道素矩阵取值[0255]区间整数训练数值较时会导致模型训练时间增加速度变慢需图片素化提升网络收敛速度减少网络模型训练时间
22系统需求分析
221程序功需求分析
整程序终目识出脸首先通摄头获取脸图片图预处理作模型期训练数预处理模块坏直接影响着模型识准确率接着利keras框架搭建卷积神网络构建18层卷积网络结构利述处理数提供模型进行训练选择中优模型两模块实现脸识功基础设计中完成功述：
（1）脸录入
模块获取图片作训练数通开启摄头视频流中截取脸图片截图脸图片独立保存文件夹中文件夹该名字命名直接导入脸图片
（2）图预处理
该模块包括图尺寸例调整交叉验证改变维度序Onehot编码化等
（3）脸检测
该模块采OpenCV带脸检测工具haarcascade_frontalface_alt2检测摄头区域脸检测静止图视频摄头图中脸
（4）模型建立
该模块采keras搭建CNN卷积神网络框架预处理脸部图数作训练数搭建神网络进行模型训练评估模型识率终模型
23开发环境需求
Anaconda开源集成类python工具集成台包含pyqt等量包提供包理环境理功方便配置程序设计需环境程序设计采Anaconda 3作开发工具置python版37通Anaconda prompt安装tensorflownumpykerassklearn等第三方库
值注意版tensorflow搭配应python版安装前网先查询二者应版搭配否会耗费量时间安装
第三章 系统概设计
章节致介绍脸识系统整体结构设计流程图处理模块运原理
（1）系统整体结构设计图3 1示
图31系统结构设计图
（2）图预处理模块设计图32
图32 图预处理层次图
31模块功介绍
311脸录入模块
脸采集模块获取脸图片作期模型训练数脸图片USB摄头实时截取视频中截取利OpenCVVideoCapture函数获取摄头视频流利OpenCV带脸检测工具haarcascade_frontalface_alt2检测摄头区域脸进行长宽坐标获取截取脸截取脸写入磁盘作训练数
312搭建模型模块
该模块功进行图数处理建立模型实现脸识功重点两子模块：
（1）数预处理
进行图数预处理通调整图尺寸例缩放划分数集独热编码标签量化素化等系列操作样处理成卷积神网络读取数类型
（2）创建模型
采keras框架搭建CNN卷积神网络搭建4层convl+2层maxpool+2层dropout+2层dense+1层Flattensoftmax函数作输出分类网络结构采预处理数作样数模型进行训练训练选择机梯度降法SGD+Momentum作优化器损失函数categorical_crossentropy作优化目标度量模型拟合程度选出优模型参数数进行数增强通图片变化扩充数集提供fit_generator函数模型进行训练终训练模型保存程序目录
313 脸识模块
样利OpenCVVideoCapture函数开摄头 OpenCV脸检测工具haarcascade_frontalface_alt2截取摄头中出现脸图片交予模型识出识结果识结果保存应excel文件中
第四章 系统详细设计
章节介绍图预处理建立模型两方面进行详细介绍两模块涉相关原理算法进行叙述
41 整体运行流程图
图41 系统运行流程图
42 图预处理设计
421调整图尺寸
程序设计卷积神网络中加入两层全连接层全连接层输入网络配置时便固定维数全连接层核心操作矩阵量积输入特征图矩阵相应权值矩阵进行积运算矩阵间点积运算求两矩阵维数相固定输入数特征图矩阵维数需图数进行尺寸例调整
核心代码：
def resize_image(image height IMAGE_SIZE width IMAGE_SIZE)
top bottom left right (0 0 0 0)
h w _ imageshape#获取图尺寸
longest_edge max(h w) #长宽相等图片找长边
#计算短边需增加素宽度长边等长
if h < longest_edge
dh longest_edge h
top dh 2
bottom dh top
elif w < longest_edge
dw longest_edge w
left dw 2
right dw left
else
pass
BLACK [0 0 0] #RGB颜色
#图短两边增加边界成正方形cv2BORDER_CONSTANT指定加边界颜色黑色
constantcv2copyMakeBorder(imagetop bottom left right cv2BORDER_CONSTANT value BLACK)
return cv2resize(constant (height width)) #调整图返回
图调整利tensorflow库提供resize()函数然果直接图进行resize会图拉变形（图43）图resize然保持原始图片宽高需图较短两边加黑框(图44)图变成正方形失真利resize()函数进行图例缩放(图45)缩放成64*64目减少计算量存占提升续网络模型训练速度
图42 200*300原始图片
图43 300*300正方形图
图44 300*300正方形图
图45 64*64正方形图
422交叉验证法划分数集
更充分利限数采交叉验证分割数集基思想现数集中出部分样（者例）作模型训练数集留部分样验证模型谓交叉指次作训练模型样次测试集样验证结果会验证集真实值较计算出误差方加结果程会重复进行反复进行交叉验证直验证结果真实值相验证结束
train_test_split()Sklearn库中交叉验证模块提供划分数集函数数30划分验证集 70划分训练集具体语句：
train_images valid_images train_labels valid_labels train_test_split(images labels
test_size 03 random_state randomrandint(0 100))
参数test_size 03表示数划分例参数random_state表示机选取[1100]区间整数次机数集中抽取数建立训练集验证集导致次训练结果会
_ test_images _ test_labels train_test_split(images labels test_size 05
random_state randomrandint(0 100))
测试集样调函数选择例50
423数标签onehot编码
标签进行独热编码（Onehot）原卷积神网络采分类交叉熵（categorical_crossentropy）作损失函数求训练样标签必须onehot编码形式
Onehot编码称独热编码采状态寄存器组织方式状态进行编码N位寄存器编码N状态状态值应寄存器位意时刻仅位效先分类值映射成整数值整数值表示成二进制形式实际分类变量表示二进制量整数索引设1全0
程序输入4张脸张脸类4类4状态位表示类状态0123 0代表archer1代表miaor 2代表pangzi3代表shouzionehot编码会提供4寄存器位保存4状态四标签进行Onehot编码结果表4 1
表41 Onehot编码
标签
Onehot编码
0
[1 0 0 0]
1
[0 1 0 0]
2
[0 0 1 0]
3
[0 0 0 1]
标签1第位代表第位效简单说Onehot编码数值变成位置信息量化方便卷积神网络操作
425素化
化简化计算通数统处理[01]间数达减低计算量目
周知图素组成彩色图红(R)绿(G)蓝(B) 3素矩阵构成素矩阵取值[0255]间整数训练数值较整数值时会模型训练速度变慢模型训练时间增加图数进行化目提升网络速度减少训练时间
整数形式颜色空间中素取值 [0255]区间整数化数形式颜色空间需先数形式浮点化化
素化原始素值原始素值中值实现素值般255值0公式形式[6] 鲁磊 基卷积神网络脸识方法研究[D]西安科技学2019
x＇x−X_minX_max−X_min (4 1)
里X_min0x＇化值X_maxX_min分表示样值
化图素处010范围时然介0255间图旧效
426 补充说明
Kerastensorflowtheano作端引擎模型库提供快速构建神网络模型处理卷积矩阵积等计算底层计算交端引擎完成端引擎系统决定图数输入卷积神网络时维度序theanotensorflow维度序theano通道数行数列数tensorflow行数列数通道数版keras支持端系统样需先确定前安装keras采端系统进行图片预处理前图数修改成应端引擎支持维度序
43 卷积神网络模型设计
431卷积神网络
卷积神网络（Convolutional Neural Network简称CNN）世纪80年代科学家猫视觉皮层研究受启发诞生算法够数进行效分类普遍运语音图识等领域通层卷积池化堆叠 卷积神网络相传统神网络具参数少模型训练难度复杂度低等优点
卷积神网络5类组成：
（1）卷积层
卷积层作图片进行局部特征提取CNN核心层作图片进行局部特征提取具体指输出图素值输入图应位置区域素通加权区域做局部感受野区域权值做卷积核输入图通卷积运算加偏置项通激活函数特征图卷积层数学形式[7] 易超邓燕妮通道卷积神网络图识方法[J]河南科技学学报(然科学版)201738(03)4144+56
：
Xjlf(i∈MjXil−1∗Kijl+bjl) (4 2)
中：l层数Xjl卷积层l层第j特征图Mj输入层感受野K卷积核b偏置f神元激活函数
数学说卷积运算两矩阵进行图示[8] 秦川基卷积神网络图识[J]电子技术软件工程2020(01)9899
3*3卷积核卷积核点图片重合区域素值做积加运算加偏置作输出图片中素值
图46图矩阵卷积核点积运算
（2）池化层
图卷积获特征图 原始图相特征图尺寸没改变 数运算量旧降低运算量 通常会卷积层加入采样层
采样层池化层功卷积层特征提取图矩阵进行信息滤冗余信息保留特征减少网络中参数计算次数防止模型拟合常见池化操作方法均值池化（Average Pooling）值池化（Max Pooling）Average Pooling保留图背景信息通计算覆盖区域均值作池化值Max Pooling够保留图边缘纹理信息通选取覆盖区域值作区域池化值
图47 池化法
图48 均池化法
然卷积层池化层提取图特征二者略区卷积层通卷积核逐素滑动覆盖达目池化层池化窗口逐块覆盖特征图方式提取该区域代表性特征
（3）Dropout层
神网络模型训练程中果提供模型训练样数太少容易导致训练模型泛化力差产生拟合现象拟合现象指模型训练集预测效果未知数集（测试集）预测效果种现象模型度赖现训练数集特征造成防止拟合现象发生神网络中加入Dropout层诸拟合问题解决方案中Dropout具简单性效果良广泛运
Dropout关键思想[9] Srivastava N Hinton G Krizhevsky A et al Dropout A simple way to prevent neural networks from overfitting[J] The Journal of Machine Learning Research 2014 15(1) 19291958
训练程中神网络中机删单元连接训练程中概率p舍弃神元神元概率q1p保留样次数训练网络结构相训练结构网络集成体样模型泛化力更强防止单网络结构拟合
图49 Dropout前神元数图
（4）Flatten层
次卷积池化卷积神网络中流动数旧三维（图4 10）然全连接层接收输入求维数必须维数压进行维化处理作全连接层输入(heightwidthchannel)数压缩成长度 height×width×channel 维数组Flatten层作
图410维数维化
（5）全连接层
前面干层卷积+池化特征提取全连接层作前面提取局部特征进行重新整合成完整图舍弃掉特征然交softmax函数完成终分类
Softmax分类务神元输出映射（01）区间前样例中种类概率分布情况Softmax函数形式：
ajLezjLk1NezkL (4 3)
中：ajL代表第L层第j神元输出zjL代表第L层第j神元输入
单神元输入结合常数e做指数运算运算结果L层神元指数运算介[01]间浮点值ajLsoftmax数学形式出神元输出应1
j1NajL1 (4 4)
公式43求值第j神元占全部神元输出重站分类角度第j神元输出值越占总神元输出百分越高预测真实类概率越分类层softmax函数概率者模型预测类
432模型设计
卷积神网络特点[10] 许少尉陈思宇基深度学图分类方法[J]电子技术应201844(06)116119
逐层提取特征 第层提取特征较低级 第二层第层基础继续提取更高级特征 第三层第二层基础提取特征更复杂类推越高级特征越体现出图类属性卷积神网络正通逐层卷积方式提取图优良特征
通keras库序贯模型（Sequential）堆叠网络层构建出深度神网络kerasmodelskeraslayers库建立训练模型通add（）方法layer加入模型中程序搭建CNN卷积网络模型表4 2示包括 4convl+2maxpool+3dropout+2dense+1flatten+1softmax总18层神网络结构神网络结构分三部分输入图64x64素RGB图
第部分2convl层1maxpool层dropout层卷积核数323x3首卷积层参数数33+1×32896采保留边界特征方式卷积计算样输入输出尺寸会保持致MaxPooling(22)采取池化尺寸窗口2x2池化法池化层图64x64素变32x32第二部分第部分相卷积层卷积核数64变第三部分包括1flatten层2dense层1dropout层dense(512)表示512神元 dense(4)表示分四类softmax进行分类第二部分池化层加入025例dropout层第三部分dense层加入05例dropout层
激活函数Relu种非线性函数卷积层全连接层加入Relu神网络中引入非线性神网络计算线性法模拟非线性关系线性神网络学力非常限引入非线性神元适应复杂非线性问题强化神网络学力
表42 网络模型结构
层数
功描述
1
输入图（64*64*3）
2
Convol (3233)
第部分
3
Relu
4
Convol2D(3233)
5
Relu
6
MaxPooling(22)
7
Droupt(025)
8
Convol (64 3 3)
第二部分
9
Relu
10
Convol (64 3 3)
11
Relu
12
MaxPooling(22)
13
Droupt(025)
14
Flatten()
第三部分
15
Dense(512)
16
Relu
17
Droupt(05)
18
Dense(4)
19
softmax
输出层
433模型训练
（1）优化器选择
设计卷积神网络采softmax 函数作输出层激激函数模型处理分类务该函数选择类交叉熵（categorical_crossentropy）作损失函数数学形式：
L−kyklog(Slk) (4 5)
中：Slk表示softmax函数输出层神元K神元应k类ykOnehot编码标签目标类yk1类yk0
选择机梯度降法SGD结合动量Momentum作损失函数优化算法作模型训练程次更新时机选择样进行梯度降调整参数（权重偏置值）优确保e值
机梯度降法基思想机选取训练集中样学次迭代考虑前样点样点样训练数太时快速收敛提高学速度缺点明显次梯度降方完全赖前训练样（batch）导致收敛程曲折模型迭代次数增
优化更加稳定引入动量（Momentum）Momentum概念物理学力学基原理模拟物体运动时惯性优化器次更新时保留定范围轮更新方时根轮样调整终优化方样增加稳定性提高模型学速度避免陷入局部优陷阱
利keras库提供modelfit_generator()函数开始模型训练
selfmodelfit_generator(datagenflow(datasettrain_images datasettrain_labels
batch_size batch_size)
samples_per_epoch datasettrain_imagesshape[0]
nb_epoch nb_epoch
validation_data(datasetvalid_images datasetvalid_labels))
参数nb_epoch指定模型需进行少轮次训练轮次训练训练集全部样训练次
参数batch_size指定次迭代训练样数量模型训练优轮次训练中进行次迭代训练事实次迭代训练模型理应该梯度降方前进步直样数训练完毕模型梯度降轮训练低点训练完成终模型保存程序目录存储形式高压缩效率HDF5
（2）训练结果
模型训练完成需模型进行评估通keras提供modelevaluate评估函数模型训练数通脸采集模块获取选取44张脸张脸500张图数总2000张图片作样数脸识系统中张脸类总4类处理图数传入网络结构进行训练训练结果：
图411神网络结构
清晰网络模型基结构信息包括网络层类型输出数维度层训练参数数总训练参数数
图412 模型训练结果
整模型训练完成进行8轮次训练（nb_epoch 8）轮循环35次迭代训练次迭代20样数（batch_size 20）结果表4 3示（轮训练结果例）：
表43 模型评估结果
训练误差（loss）
00593
训练准确率（acc）
09886
验证误差（val_loass）
00453
验证准确率（val_acc）
09933
终评估模型准确率9960
图413 模型评估结果
第五章 系统识结果
系统识程：启动系统点击识钮系统调摄头开启脸检测分类器检测出摄头存脸时划出脸部区域截取张图通图预处理交予模型识图处理章节42数预处理致样识模块仅针张图片进行
模型预测概率值设置085截取脸图作输入交予模型识模型输入图库中数类计算出前脸属类概率值模型训练中4张脸作训练数张脸1类4值类模型预测会出输入图属4类概率少概率值085表示张脸脸库中
模型确定前脸库中数时会框出脸部区域出脸名称图示
图5 1脸识结果
图5 2脸识结果
模型判定前脸库中时框出脸部区域时显示unknow表示模型法识前脸谁时会未知脸前时间（年月日时分秒）命名保存result_unkown文件夹中具体图示
图5 3脸识结果
图5 4 未知脸保存
结束语
文脸识技术研究现状发展领域开文详细介绍脸识系统构成卷积神网络作详细介绍运设计出脸识模型文做工作纳：
（1）概述脸识技术应领域研究现状
（2）介绍图数预处理方法理
（3）详细介绍卷积神网络结构层作利设计脸识系统
着篇文收笔意味着毕业设计接尾声段时间紧密奋战思索题目确定选题具体实现直文完成步充满挑战段时间体验面诸难题时烦躁安解决难题兴奋学脸识片面理解python语言kerastensorflow等相关技术解系统程序正常运行手通查相关资料视频开始独立学实践稚嫩想法步步变成实物然终成品许足处例需手动添加类外观粗糙代码设计合理等等整设计程学没学东西仅次学工作实践会帮助
参考文献
文档香网(httpswwwxiangdangnet)户传
《香当网》用户分享的内容，不代表《香当网》观点或立场，请自行判断内容的真实性和可靠性！
该内容是文档的文本内容，更好的格式请下载文档
Face recognition system based on Python
摘
着科技断发展工智类生活应越越普作前受关注生物特征识方法脸识考勤边检安防运输等领域着巨应前景工智计算机视觉领域研究热点文基python语言实现脸识系统利keras搭建CNN卷积神网络构造18层网络结构识模型实现脸录入图处理模型训练识脸等功描述图处理模型搭建两模块图处理包括图尺寸例调整数化等知识模型搭建包括模型建立训练评估终识准确率达996
关键词：脸识 图预处理 模型训练 CNN
Abstract
With the rapid development of science and technology artificial intelligence is more and more popular in human life As the currently most concerned method of biometrics recognition face recognition has great application prospects in the fields of time and attendance border inspection security transportation etc It is one of the research hotspots in the field of artificial intelligence and computer vision This paper is a face recognition system based on python It use keras to build a convolutional neural network to construct an 18layer structure recognition model to realize functions such as face input image processing model training and face recognition It mainly describes two modules of image processing and model building Image processing includes knowledge such as image size adjustment and data normalization and model building includes model establishment training and evaluation The final recognition accuracy reached 996
Key words Face recognition Image preprocessing Model training CNN
目录
第章 课题背景 1
11课题源 1
12 研究意义 1
13 国外研究现状 2
14 国研究现状 2
第二章 需求分析 3
21技术行性分析 3
22系统需求分析 3
221程序功需求分析 3
23开发环境需求 4
第三章 系统概设计 5
31模块功介绍 6
311脸录入模块 6
312搭建模型模块 6
313 脸识模块 7
第四章 系统详细设计 8
41 整体运行流程图 8
42 图预处理设计 8
421调整图尺寸 8
422交叉验证法划分数集 10
423数标签onehot编码 10
425素化 11
426 补充说明 12
43 卷积神网络模型设计 12
431卷积神网络 12
432模型设计 15
433模型训练 17
第五章 系统 识结果 20
结束语 22
参考文献 23
致谢 24
第章 课题背景
11课题源
着线支付生活中迅速普出行带钱包带手机逐渐成种趋势然带钱包通常会忘带身份证现实生活方方面面中银行金融贷买房购车住宿旅游购物……需身携带身份证着科学技术快速发展刷脸时代已强势进入生活刷脸支付刷脸安检刷脸考勤……刷脸办事正迅速渗透日常生活工作种追求更加便捷生活方式理念脸识技术创造出许新应场景赋予新生命脸技术成年研究热点然项技术早20世纪60年代便已学者展开研究尤安防领域已研发出少应投入实际运众该技术理解更欧美犯罪电影中出现FBICIA探员通查询世界角落监控器犯罪嫌疑脸识系统相确定犯罪嫌疑出现点然情节夸该项技术应实际脸识技术早已许国家量运安防领域项新出现技术缺乏日常生活中应场景脸识技术直年着智化时代逐渐众熟知国该项技术研究开始1990年目前应考勤边检运输安防等领域
12 研究意义
着工智计算机技术领域迅速发展智化产品逐渐渗透类社会生活中方面社会运行效率幅度提升类慢慢体力劳动中解脱出更时间放技术创新创造脸识作工智中重技术富应意义挑战性研究课题相生物特征识技术脸识技术具非侵扰性非强制性非接触性便捷性等优点符合便捷生活方式追求身份识快速准确安全求身份识动监控机交互等领域拥巨发展潜力脸识技术覆盖计算机视觉模式识数字图处理数学等诸领域学科容然该项技术研究已取成果实际应中存着足困难脸识背景环境脸部表情妆容姿态发型变化会降低识准确性识带困难降低识错误率提高识速度实时性求脸识技术前迫切需解决问题
13 国外研究现状
20世纪60年代脸识技术便已研究直80年代期段时间脸识技术作般性问题研究动完成识务没发表具代表性理研究成果直90年代着计算机运算速度提高脸识技术发展迎重突破诞生许代表性算法特征脸法[1] 樊慧慧 智家居环境动态脸身份识系统设计[D]2015
基线性判分析Fisherface方法 作差法弹性图匹配技术等等脸识技术突飞猛进脸识技术已运许公众场尤911事件国外型公众场合已应技术美国等欧美国家脸识技术着较成早90年代美国军方组织FERET脸识算法测试脸识技术起积极推进2000年脸识技术逐渐学术研究走商业应十年发展脸识技术已广泛应金融安防等众领域
14 国研究现状
国脸识技术研究开始世纪80年代[2] 许丽艳 脸识技术研究[D]天津学 2010
90年代期许院校机构普相国家起步相较晚进展迅速成绩斐然苏光教授提出佳二维脸理MMPPCA算法李子青带领研究团队提出基红外脸识技术汤晓鸥实验室发表DeepID系列算法等等中08年奥运会安保[3] 曹健 脸检测识系统设计应[D] 南京信息工程学2013
[4] 脸识系统应奥运开幕式[J]中国防伪报道 2008 000(009)59
提供保障脸识系统智视频监控系统李子青教授中科院动化研发
学术研究商业涌现科技公司专注项技术研究商汤科技图科技旷视科技国研究脸识技术知名企业该领域均取错成绩图科技分20172018全球脸识挑战赛FRPC赛中获冠军2018年赛测试结果显示图科技识算法千万分误报情况识准确率接99％达接极限水根NIST2018年根全球脸识算法测试情况发布排名中前五名中三名中国公司包揽[5] 弘毅 2019脸识技术50强[J]互联网周刊2019(21)
数表明国脸识技术国际名列前茅
第二章 需求分析
脸识技术年研究热点讨焦点应许领域开始安防金融教育考勤等目前国国家量学者断深入研究
21技术行性分析
着手开发前查阅量资料目前脸识技术种算法卷积神网络极少预处理原始素快速识出特征规律选择卷积神网络算法做脸识通搭建层网络模型模型输入脸数进行训练模型够实时视频流中出现脸进行准确识
训练模型需准备数集利摄头收集身边脸部图片作数集更验证模型需数集交叉验证原划分训练集验证集测试集三部分采交叉验证手动划分数集会数分布均匀导致训练出模型偏数较造成测试实际预测时数较少分类正确交叉验证法通例样进行划分重复样数够组训练集测试集模型训练效果更优
许机器学算法直接标签数进行操作求输入变量输出变量数字形式onehot编码分类数转化二进制格式分类输入输出变量样供机器学
图素组成彩色图3矩阵构成红(R)绿(G)蓝(B)三颜色通道素矩阵取值[0255]区间整数训练数值较时会导致模型训练时间增加速度变慢需图片素化提升网络收敛速度减少网络模型训练时间
22系统需求分析
221程序功需求分析
整程序终目识出脸首先通摄头获取脸图片图预处理作模型期训练数预处理模块坏直接影响着模型识准确率接着利keras框架搭建卷积神网络构建18层卷积网络结构利述处理数提供模型进行训练选择中优模型两模块实现脸识功基础设计中完成功述：
（1）脸录入
模块获取图片作训练数通开启摄头视频流中截取脸图片截图脸图片独立保存文件夹中文件夹该名字命名直接导入脸图片
（2）图预处理
该模块包括图尺寸例调整交叉验证改变维度序Onehot编码化等
（3）脸检测
该模块采OpenCV带脸检测工具haarcascade_frontalface_alt2检测摄头区域脸检测静止图视频摄头图中脸
（4）模型建立
该模块采keras搭建CNN卷积神网络框架预处理脸部图数作训练数搭建神网络进行模型训练评估模型识率终模型
23开发环境需求
Anaconda开源集成类python工具集成台包含pyqt等量包提供包理环境理功方便配置程序设计需环境程序设计采Anaconda 3作开发工具置python版37通Anaconda prompt安装tensorflownumpykerassklearn等第三方库
值注意版tensorflow搭配应python版安装前网先查询二者应版搭配否会耗费量时间安装
第三章 系统概设计
章节致介绍脸识系统整体结构设计流程图处理模块运原理
（1）系统整体结构设计图3 1示
图31系统结构设计图
（2）图预处理模块设计图32
图32 图预处理层次图
31模块功介绍
311脸录入模块
脸采集模块获取脸图片作期模型训练数脸图片USB摄头实时截取视频中截取利OpenCVVideoCapture函数获取摄头视频流利OpenCV带脸检测工具haarcascade_frontalface_alt2检测摄头区域脸进行长宽坐标获取截取脸截取脸写入磁盘作训练数
312搭建模型模块
该模块功进行图数处理建立模型实现脸识功重点两子模块：
（1）数预处理
进行图数预处理通调整图尺寸例缩放划分数集独热编码标签量化素化等系列操作样处理成卷积神网络读取数类型
（2）创建模型
采keras框架搭建CNN卷积神网络搭建4层convl+2层maxpool+2层dropout+2层dense+1层Flattensoftmax函数作输出分类网络结构采预处理数作样数模型进行训练训练选择机梯度降法SGD+Momentum作优化器损失函数categorical_crossentropy作优化目标度量模型拟合程度选出优模型参数数进行数增强通图片变化扩充数集提供fit_generator函数模型进行训练终训练模型保存程序目录
313 脸识模块
样利OpenCVVideoCapture函数开摄头 OpenCV脸检测工具haarcascade_frontalface_alt2截取摄头中出现脸图片交予模型识出识结果识结果保存应excel文件中
第四章 系统详细设计
章节介绍图预处理建立模型两方面进行详细介绍两模块涉相关原理算法进行叙述
41 整体运行流程图
图41 系统运行流程图
42 图预处理设计
421调整图尺寸
程序设计卷积神网络中加入两层全连接层全连接层输入网络配置时便固定维数全连接层核心操作矩阵量积输入特征图矩阵相应权值矩阵进行积运算矩阵间点积运算求两矩阵维数相固定输入数特征图矩阵维数需图数进行尺寸例调整
核心代码：
def resize_image(image height IMAGE_SIZE width IMAGE_SIZE)
top bottom left right (0 0 0 0)
h w _ imageshape#获取图尺寸
longest_edge max(h w) #长宽相等图片找长边
#计算短边需增加素宽度长边等长
if h < longest_edge
dh longest_edge h
top dh 2
bottom dh top
elif w < longest_edge
dw longest_edge w
left dw 2
right dw left
else
pass
BLACK [0 0 0] #RGB颜色
#图短两边增加边界成正方形cv2BORDER_CONSTANT指定加边界颜色黑色
constantcv2copyMakeBorder(imagetop bottom left right cv2BORDER_CONSTANT value BLACK)
return cv2resize(constant (height width)) #调整图返回
图调整利tensorflow库提供resize()函数然果直接图进行resize会图拉变形（图43）图resize然保持原始图片宽高需图较短两边加黑框(图44)图变成正方形失真利resize()函数进行图例缩放(图45)缩放成64*64目减少计算量存占提升续网络模型训练速度
图42 200*300原始图片
图43 300*300正方形图
图44 300*300正方形图
图45 64*64正方形图
422交叉验证法划分数集
更充分利限数采交叉验证分割数集基思想现数集中出部分样（者例）作模型训练数集留部分样验证模型谓交叉指次作训练模型样次测试集样验证结果会验证集真实值较计算出误差方加结果程会重复进行反复进行交叉验证直验证结果真实值相验证结束
train_test_split()Sklearn库中交叉验证模块提供划分数集函数数30划分验证集 70划分训练集具体语句：
train_images valid_images train_labels valid_labels train_test_split(images labels
test_size 03 random_state randomrandint(0 100))
参数test_size 03表示数划分例参数random_state表示机选取[1100]区间整数次机数集中抽取数建立训练集验证集导致次训练结果会
_ test_images _ test_labels train_test_split(images labels test_size 05
random_state randomrandint(0 100))
测试集样调函数选择例50
423数标签onehot编码
标签进行独热编码（Onehot）原卷积神网络采分类交叉熵（categorical_crossentropy）作损失函数求训练样标签必须onehot编码形式
Onehot编码称独热编码采状态寄存器组织方式状态进行编码N位寄存器编码N状态状态值应寄存器位意时刻仅位效先分类值映射成整数值整数值表示成二进制形式实际分类变量表示二进制量整数索引设1全0
程序输入4张脸张脸类4类4状态位表示类状态0123 0代表archer1代表miaor 2代表pangzi3代表shouzionehot编码会提供4寄存器位保存4状态四标签进行Onehot编码结果表4 1
表41 Onehot编码
标签
Onehot编码
0
[1 0 0 0]
1
[0 1 0 0]
2
[0 0 1 0]
3
[0 0 0 1]
标签1第位代表第位效简单说Onehot编码数值变成位置信息量化方便卷积神网络操作
425素化
化简化计算通数统处理[01]间数达减低计算量目
周知图素组成彩色图红(R)绿(G)蓝(B) 3素矩阵构成素矩阵取值[0255]间整数训练数值较整数值时会模型训练速度变慢模型训练时间增加图数进行化目提升网络速度减少训练时间
整数形式颜色空间中素取值 [0255]区间整数化数形式颜色空间需先数形式浮点化化
素化原始素值原始素值中值实现素值般255值0公式形式[6] 鲁磊 基卷积神网络脸识方法研究[D]西安科技学2019
x＇x−X_minX_max−X_min (4 1)
里X_min0x＇化值X_maxX_min分表示样值
化图素处010范围时然介0255间图旧效
426 补充说明
Kerastensorflowtheano作端引擎模型库提供快速构建神网络模型处理卷积矩阵积等计算底层计算交端引擎完成端引擎系统决定图数输入卷积神网络时维度序theanotensorflow维度序theano通道数行数列数tensorflow行数列数通道数版keras支持端系统样需先确定前安装keras采端系统进行图片预处理前图数修改成应端引擎支持维度序
43 卷积神网络模型设计
431卷积神网络
卷积神网络（Convolutional Neural Network简称CNN）世纪80年代科学家猫视觉皮层研究受启发诞生算法够数进行效分类普遍运语音图识等领域通层卷积池化堆叠 卷积神网络相传统神网络具参数少模型训练难度复杂度低等优点
卷积神网络5类组成：
（1）卷积层
卷积层作图片进行局部特征提取CNN核心层作图片进行局部特征提取具体指输出图素值输入图应位置区域素通加权区域做局部感受野区域权值做卷积核输入图通卷积运算加偏置项通激活函数特征图卷积层数学形式[7] 易超邓燕妮通道卷积神网络图识方法[J]河南科技学学报(然科学版)201738(03)4144+56
：
Xjlf(i∈MjXil−1∗Kijl+bjl) (4 2)
中：l层数Xjl卷积层l层第j特征图Mj输入层感受野K卷积核b偏置f神元激活函数
数学说卷积运算两矩阵进行图示[8] 秦川基卷积神网络图识[J]电子技术软件工程2020(01)9899
3*3卷积核卷积核点图片重合区域素值做积加运算加偏置作输出图片中素值
图46图矩阵卷积核点积运算
（2）池化层
图卷积获特征图 原始图相特征图尺寸没改变 数运算量旧降低运算量 通常会卷积层加入采样层
采样层池化层功卷积层特征提取图矩阵进行信息滤冗余信息保留特征减少网络中参数计算次数防止模型拟合常见池化操作方法均值池化（Average Pooling）值池化（Max Pooling）Average Pooling保留图背景信息通计算覆盖区域均值作池化值Max Pooling够保留图边缘纹理信息通选取覆盖区域值作区域池化值
图47 池化法
图48 均池化法
然卷积层池化层提取图特征二者略区卷积层通卷积核逐素滑动覆盖达目池化层池化窗口逐块覆盖特征图方式提取该区域代表性特征
（3）Dropout层
神网络模型训练程中果提供模型训练样数太少容易导致训练模型泛化力差产生拟合现象拟合现象指模型训练集预测效果未知数集（测试集）预测效果种现象模型度赖现训练数集特征造成防止拟合现象发生神网络中加入Dropout层诸拟合问题解决方案中Dropout具简单性效果良广泛运
Dropout关键思想[9] Srivastava N Hinton G Krizhevsky A et al Dropout A simple way to prevent neural networks from overfitting[J] The Journal of Machine Learning Research 2014 15(1) 19291958
训练程中神网络中机删单元连接训练程中概率p舍弃神元神元概率q1p保留样次数训练网络结构相训练结构网络集成体样模型泛化力更强防止单网络结构拟合
图49 Dropout前神元数图
（4）Flatten层
次卷积池化卷积神网络中流动数旧三维（图4 10）然全连接层接收输入求维数必须维数压进行维化处理作全连接层输入(heightwidthchannel)数压缩成长度 height×width×channel 维数组Flatten层作
图410维数维化
（5）全连接层
前面干层卷积+池化特征提取全连接层作前面提取局部特征进行重新整合成完整图舍弃掉特征然交softmax函数完成终分类
Softmax分类务神元输出映射（01）区间前样例中种类概率分布情况Softmax函数形式：
ajLezjLk1NezkL (4 3)
中：ajL代表第L层第j神元输出zjL代表第L层第j神元输入
单神元输入结合常数e做指数运算运算结果L层神元指数运算介[01]间浮点值ajLsoftmax数学形式出神元输出应1
j1NajL1 (4 4)
公式43求值第j神元占全部神元输出重站分类角度第j神元输出值越占总神元输出百分越高预测真实类概率越分类层softmax函数概率者模型预测类
432模型设计
卷积神网络特点[10] 许少尉陈思宇基深度学图分类方法[J]电子技术应201844(06)116119
逐层提取特征 第层提取特征较低级 第二层第层基础继续提取更高级特征 第三层第二层基础提取特征更复杂类推越高级特征越体现出图类属性卷积神网络正通逐层卷积方式提取图优良特征
通keras库序贯模型（Sequential）堆叠网络层构建出深度神网络kerasmodelskeraslayers库建立训练模型通add（）方法layer加入模型中程序搭建CNN卷积网络模型表4 2示包括 4convl+2maxpool+3dropout+2dense+1flatten+1softmax总18层神网络结构神网络结构分三部分输入图64x64素RGB图
第部分2convl层1maxpool层dropout层卷积核数323x3首卷积层参数数33+1×32896采保留边界特征方式卷积计算样输入输出尺寸会保持致MaxPooling(22)采取池化尺寸窗口2x2池化法池化层图64x64素变32x32第二部分第部分相卷积层卷积核数64变第三部分包括1flatten层2dense层1dropout层dense(512)表示512神元 dense(4)表示分四类softmax进行分类第二部分池化层加入025例dropout层第三部分dense层加入05例dropout层
激活函数Relu种非线性函数卷积层全连接层加入Relu神网络中引入非线性神网络计算线性法模拟非线性关系线性神网络学力非常限引入非线性神元适应复杂非线性问题强化神网络学力
表42 网络模型结构
层数
功描述
1
输入图（64*64*3）
2
Convol (3233)
第部分
3
Relu
4
Convol2D(3233)
5
Relu
6
MaxPooling(22)
7
Droupt(025)
8
Convol (64 3 3)
第二部分
9
Relu
10
Convol (64 3 3)
11
Relu
12
MaxPooling(22)
13
Droupt(025)
14
Flatten()
第三部分
15
Dense(512)
16
Relu
17
Droupt(05)
18
Dense(4)
19
softmax
输出层
433模型训练
（1）优化器选择
设计卷积神网络采softmax 函数作输出层激激函数模型处理分类务该函数选择类交叉熵（categorical_crossentropy）作损失函数数学形式：
L−kyklog(Slk) (4 5)
中：Slk表示softmax函数输出层神元K神元应k类ykOnehot编码标签目标类yk1类yk0
选择机梯度降法SGD结合动量Momentum作损失函数优化算法作模型训练程次更新时机选择样进行梯度降调整参数（权重偏置值）优确保e值
机梯度降法基思想机选取训练集中样学次迭代考虑前样点样点样训练数太时快速收敛提高学速度缺点明显次梯度降方完全赖前训练样（batch）导致收敛程曲折模型迭代次数增
优化更加稳定引入动量（Momentum）Momentum概念物理学力学基原理模拟物体运动时惯性优化器次更新时保留定范围轮更新方时根轮样调整终优化方样增加稳定性提高模型学速度避免陷入局部优陷阱
利keras库提供modelfit_generator()函数开始模型训练
selfmodelfit_generator(datagenflow(datasettrain_images datasettrain_labels
batch_size batch_size)
samples_per_epoch datasettrain_imagesshape[0]
nb_epoch nb_epoch
validation_data(datasetvalid_images datasetvalid_labels))
参数nb_epoch指定模型需进行少轮次训练轮次训练训练集全部样训练次
参数batch_size指定次迭代训练样数量模型训练优轮次训练中进行次迭代训练事实次迭代训练模型理应该梯度降方前进步直样数训练完毕模型梯度降轮训练低点训练完成终模型保存程序目录存储形式高压缩效率HDF5
（2）训练结果
模型训练完成需模型进行评估通keras提供modelevaluate评估函数模型训练数通脸采集模块获取选取44张脸张脸500张图数总2000张图片作样数脸识系统中张脸类总4类处理图数传入网络结构进行训练训练结果：
图411神网络结构
清晰网络模型基结构信息包括网络层类型输出数维度层训练参数数总训练参数数
图412 模型训练结果
整模型训练完成进行8轮次训练（nb_epoch 8）轮循环35次迭代训练次迭代20样数（batch_size 20）结果表4 3示（轮训练结果例）：
表43 模型评估结果
训练误差（loss）
00593
训练准确率（acc）
09886
验证误差（val_loass）
00453
验证准确率（val_acc）
09933
终评估模型准确率9960
图413 模型评估结果
第五章 系统识结果
系统识程：启动系统点击识钮系统调摄头开启脸检测分类器检测出摄头存脸时划出脸部区域截取张图通图预处理交予模型识图处理章节42数预处理致样识模块仅针张图片进行
模型预测概率值设置085截取脸图作输入交予模型识模型输入图库中数类计算出前脸属类概率值模型训练中4张脸作训练数张脸1类4值类模型预测会出输入图属4类概率少概率值085表示张脸脸库中
模型确定前脸库中数时会框出脸部区域出脸名称图示
图5 1脸识结果
图5 2脸识结果
模型判定前脸库中时框出脸部区域时显示unknow表示模型法识前脸谁时会未知脸前时间（年月日时分秒）命名保存result_unkown文件夹中具体图示
图5 3脸识结果
图5 4 未知脸保存
结束语
文脸识技术研究现状发展领域开文详细介绍脸识系统构成卷积神网络作详细介绍运设计出脸识模型文做工作纳：
（1）概述脸识技术应领域研究现状
（2）介绍图数预处理方法理
（3）详细介绍卷积神网络结构层作利设计脸识系统
着篇文收笔意味着毕业设计接尾声段时间紧密奋战思索题目确定选题具体实现直文完成步充满挑战段时间体验面诸难题时烦躁安解决难题兴奋学脸识片面理解python语言kerastensorflow等相关技术解系统程序正常运行手通查相关资料视频开始独立学实践稚嫩想法步步变成实物然终成品许足处例需手动添加类外观粗糙代码设计合理等等整设计程学没学东西仅次学工作实践会帮助
参考文献
文档香网(httpswwwxiangdangnet)户传
《香当网》用户分享的内容，不代表《香当网》观点或立场，请自行判断内容的真实性和可靠性！
该内容是文档的文本内容，更好的格式请下载文档
