卷积神经网络在人脸识别的应用

胡亚君

（南京理工大学 计算机学院，江苏　南京　210094）



卷积神经网络在人脸识别的应用

胡亚君

（南京理工大学 计算机学院，江苏南京210094）

摘要：文章通过使用深度学习的卷积神经网络模型实现了人脸识别技术。实验表明相比于传统的神经网络模型，卷积神经网络取得了更好的识别效果。

关键词：人脸识别；卷积神经网络；MATLAB

1　研究背景

人脸识别是基于人的脸部特征信息进行身份识别的一种生物识别技术，相比其他生物体征识别方法，人脸识别具有非强制性、非接触性、并发性等优点［1］。近些年来，深度学习方法作为机器学习领域的新的研究方向出现，在多个图像处理领域取得了明显的成果［2］。卷积神经网络（CNN）正是一种代表性的深度学习方法，它以其局部权值共享的特殊结构在图像处理方面有着独特的优越性，特别是多维输入向量的图像可以直接输入网络这一特点避免了特征提取，降低了分类过程中数据重建的复杂度［3］。

2　基于深度学习的人脸识别模型

2.1卷积神经网路整体框架（见图1）

图1　卷积神经网络整体框架

卷积神经网络是一种特殊的深层的神经网络模型，通常包括卷积层、下采样层和全连接层。卷积神经网络具有以下两个结构特征：

稀疏连接：每一层的神经元只与前一层的指定的神经元进行连接，以这种方式来利用图像的局部空间特性。

权值共享：同一个特征映射图的神经元对应的权值相等。

下面对分别对卷积层和下采样层分别进行简单介绍。由于在图像的某一部分的特征在图像的其他位置上也会出现，我们使用一个卷积核对一张图片进行卷积操作，得到新的特征映图。相对应根据图像局部相关性的原理，可以采用对不同位置的特征进行聚合统计的方式实现下采样操作。

2.2卷积神经网络的训练算法

卷积神经网络的训练主要分为两个阶段：向前传播阶段和反向传播阶段。下面对2个阶段分别进行介绍。

2.2.1向前传播阶段

卷积过程：用卷积核与输入图像进行卷积操作，加上偏置，经过一个激活函数，得到卷积层的结果。具体的运算公式如下，这里的Mj表示选择的输入的maps的集合中特征映射图的数量：

下采样过程：设采样窗口的大小是n*n，采用平均采样。具体公式如下 ，down（）为下采样函数：

2.2.2反向传播阶段

（1）卷积层误差。

由于下采样操作，采样层的每个像素点的灵敏度δ对应于卷积层的一个采样窗口大小的多个神经元，为了准确的计算灵敏度，我们需要进行上采样操作。类比BP算法，得到如下公式：

最后，由于很多连接的权值是共享的，因此，对于一个给定的权值，有如下公式：

（2）采样层误差。

由公式（2）可以看出，每个输出特征映射图都对应一个唯一的乘性偏置和一个加性偏置。计算采样层的误差，首先还是要求得灵敏度δ。根据前向的卷积操作过程可以得到灵敏度的推导公式：于是，类比BP算法的权值更新公式可以得到：

3　实验结果

3.1实验数据集

为了验证卷积神经网络的有效性，本实验中使用CASIA WebFace数据库［4］，选择其中的25个人的大小为250*250的照片作为本实验的数据集，其中训练集7900张，测试集3688张。实验环境是工作站，E5-2640CPU2.0GHz，64G内存，Windows7操作系统，MATLAB2015a实验平台。

3.2结果对比

图2　CNN模型均方误差线图

图2显示了卷积神经网络在WebFace数据集上的性能，随着迭代次数的增加，卷积神经网络的均方误差稳定2.3%左右。作为对比，我们在相同数据集上测试了传统的的多层感知器网络（MLP）和径向基神经网络（RBF），对比结果如表1所示。从表1中可以清晰地看出，相比于传统的MLP和RBF方法，卷积神经网络的识别率有了非常大的提升。

表1　3种神经网络模型结果对比

4　结语

本文主要介绍了应用于人脸识别的深度学习中的卷积神经网络模型。相比于传统的MLP和RBF两种方法，CNN的准确率显著高于另外2种方法，凸显出该模型在处理图像时的优势。其中一个重要的原因在于CNN可以自动提取有效特征。不过CNN的训练需要大量的样本，海量的训练数据和漫长的训练过程致使CNN的泛化能力较弱。未来的研究将主要集中在卷积神经网络的学习效率与泛化能力。

［参考文献］

［1］蒋遂平.人脸识别技术及应用简介［M］.北京：中国计算机世界出版社，2003.

［2］孙银黎.对深度学习的认识［J］.绍兴文理学院学报：教育版，2007（11）：34-36.

［3］胡正平，陈俊岭，王蒙，等.卷积神经网络分类模型在模式识别中的新进展［J］.燕山大学学报，2015（4）：283-291.

［4］Y Sun，X Wang，X Tang， Deep Learning Face Representation by Joint Identification-Verification［C］//NIPS， 2014.

The Application of Deep Convolutional Neural Network on Face Recognition

Hu Yajun
（School of Computer Science and Engineering， Nanjing University of Science and Technology， Nanjing210094， China）

Abstract：This paper applied Deep Convolutional Neural Network (CNN) to face recognition, and the experimental results showed that the DCNN achieved better performances compared to Multilayer Perceptron (MLP) and Radial Basis Function (RBF) neural networks.

Key words：face recognition; deep convolutional neural network; MATLAB

作者简介：胡亚君（1993-），女，安徽芜湖，本科；研究方向：机器学习，图像处理，模式识别。