基於卷積神經網絡（CNN）的人臉在線識別系統
本設計研究人臉識別技術，基於卷積神經網絡構建了一套人臉在線檢測識別系統，系統將由以下幾個部分構成：
制作人臉數據集、CNN神經網絡模型訓練、人臉檢測、人臉識別。經過實驗，確定該系統可對本人的人臉進行快速並准確的檢測與識別。
關鍵詞: 神經網絡； 圖像處理； 人臉檢測；人臉識別；TensorFlow；模型訓練
一、設計目標
1.掌握人臉識別原理；
2.掌握卷積神經網絡算法原理
3.掌握卷積神經網絡模型訓練過程；
4.掌握常用圖像處理技術；
設計內容與要求
1.完成基於卷積神經網絡的人臉在線識別系統算法設計；
2.完成基於卷積神經網絡的人臉在線識別系統模型訓練；
3.檢測並且識別出人臉；
二、制作人臉數據集
2.1、制作我的人臉數據集
人臉檢測出人臉位置，返回坐標、尺寸把臉用數組切片的方法截取下來，把截取的小圖片保存下來作為數據集。
本系統獲取本人的人臉數據集10000張，使用的是dlib來識別人臉，雖然速度比OpenCV識別慢，但是識別效果更好。
其中，人臉大小：64*64。
2.2、主要步驟
（1）加載 dlib機器學習的開源庫
（2）圖像預處理 cvtColor（灰度化）。
（3）使用dlib自帶的frontal_face_detector進行特征提取。
（4）使用特征提取器進行人臉檢測。
（5）人臉保存。
2.3、制作結果
2.5 、制作其他人臉數據集
本系統使用人臉數據集下載:http://vis-www.cs.umass.edu/lfw/lfw.tgz。
先將下載的圖片集放在img_source目錄下，用dlib來批量識別圖片中的人臉部分，
並保存到指定目錄faces_other。人臉大小為64*64。
2.6、主要步驟
（1）讀入人臉數據集源文件
（2）加載 dlib機器學習的開源庫。
（3）用dlib來批量識別圖片中的人臉部分。
（4）人臉保存。
2.7、制作結果
三、 神經網絡模型訓練
3.1、卷積神經網絡內部分析
第一、二層（卷積層1、池化層1），輸入圖片64*64*3，輸出圖片32*32*32；
第三、四層（卷積層2、池化層2），輸入圖片32*32*32，輸出圖片16*16*64；
第五、六層（卷積層3、池化層3），輸入圖片16*16*64，輸出圖片8*8*64；
第七層（全連接層），輸入圖片8*8*64，reshape到1*4096，輸出1*512；
第八層（輸出層），輸入1*512，輸出1*2。
輸出神經網絡輸出的1*2，與標簽y_ [0,1]、[1,0]對比得出損失，損失函數為交叉熵，優化器采用Adan優化器，計算模型准確率。
代碼實現：
cross_entropy = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=out, labels=y_))
optimizer = tf.train.AdamOptimizer(learning_rate).minimize(cross_entropy)
accuracy = tf.reduce_mean(tf.cast(tf.equal(tf.argmax(out, 1), tf.argmax(y_, 1)), tf.float32))
3.2、輸入層
人臉檢測出人臉位置，返回坐標、尺寸把臉用數組切片的方法截取下來，把截取的小圖片送入神經網絡進行訓練，輸入的圖片64*64*3。
3.3、卷積層
本網路共三層卷積層，卷積核大小為（3，3），卷積步長為[1,1,1,1]，即一步，padding=“SAME”。卷積層提取特征，
增加通道數，圖片大小不變。
3.4、池化層
本文提出的池化層采用最大值采樣，采樣大小為2*2，即把輸入的特征圖分割成不重疊的2*2大小的矩形，對每個矩形取最大值，
所以輸出特征圖的長和寬均是輸入特征圖的一半。
3.5、全連接層
為了增強網絡的非線性能力，同時限制網絡規模的大小，網絡在特征提取層提取特征后，接入一個全連接層，該層的每一個神經元
與前一層的所有神經元互相連接，將圖片的卷積輸出壓扁成一個一維向量，輸出1*512。
3.6、輸出層
本系統共分兩類，一類我的人臉（yes），另一類其他人臉（no），從全連接層輸入1*512，輸出層輸出1*2。為求loss做准備。
3.7、主要步驟
（1）讀入制作好的人臉數據集，將圖片數據與標簽轉化成數組。
（2）划分測試集：訓練集=20:1，做歸一化處理。
（3）傳入卷積神經網絡。
（4）訓練。
3.8、訓練結果
四、利用模型進行人臉識別
4.1 、主要步驟
（1）打開攝像頭獲取圖片進行灰度化。
（2）人臉檢測。
（3）導入訓練好的神經網絡模型。
（4）人臉識別。
4.2、識別結果
五、總結
本次設計主要研究了基於卷積神經網絡的人臉在線識別系統。設計了基於機器視覺的人臉圖像采集系統，
自己制作了訓練需要的人臉數據集。設計並實現了基於卷積神經網絡的人臉識別系統，完成了基於卷積神經網絡的
人臉在線識別系統算法設計、神經網絡模型訓練，實現了對人臉的在線檢測與識別。檢測出本人人臉，則在人臉上
顯示”yes, my face”，若不是我的人臉，則在人臉上顯示”no, other face ”。
六 、代碼
見個人GitHub：https://github.com/hhhvvvddd/CNN_faces_recognition
淺談則止，深入理解AI大道理
掃描下方“AI大道理”，選擇“關注”公眾號
歡迎加入！