深度学习项目——基于卷积神经网络（CNN）分类思想的人脸识别系统

代码：GitHub - AIBigTruth/CNN_faces_recognition: 基于卷积神经网络（CNN）的人脸在线识别系统

视频：人脸识别：基于卷积神经网络（CNN）分类思想的人脸识别系统_哔哩哔哩_bilibili

 

基于卷积神经网络（CNN）的人脸在线识别系统

　　本设计研究人脸识别技术，基于卷积神经网络构建了一套人脸在线检测识别系统，系统将由以下几个部分构成：

制作人脸数据集、CNN神经网络模型训练、人脸检测、人脸识别。经过实验，确定该系统可对本人的人脸进行快速并准确的检测与识别。

关键词: 神经网络； 图像处理； 人脸检测；人脸识别；TensorFlow；模型训练

一、设计目标 

1.掌握人脸识别原理；

2.掌握卷积神经网络算法原理

3.掌握卷积神经网络模型训练过程；

4.掌握常用图像处理技术；

设计内容与要求

1.完成基于卷积神经网络的人脸在线识别系统算法设计；

2.完成基于卷积神经网络的人脸在线识别系统模型训练；

3.检测并且识别出人脸；

二、制作人脸数据集

2.1、制作我的人脸数据集

　　人脸检测出人脸位置，返回坐标、尺寸把脸用数组切片的方法截取下来，把截取的小图片保存下来作为数据集。

本系统获取本人的人脸数据集10000张，使用的是dlib来识别人脸，虽然速度比OpenCV识别慢，但是识别效果更好。

其中，人脸大小：64*64。

2.2、主要步骤

（1）加载 dlib机器学习的开源库

（2）图像预处理 cvtColor（灰度化）。

（3）使用dlib自带的frontal_face_detector进行特征提取。

（4）使用特征提取器进行人脸检测。

（5）人脸保存。

2.3、制作结果

     

 

 

2.5  、制作其他人脸数据集

　　本系统使用人脸数据集下载:http://vis-www.cs.umass.edu/lfw/lfw.tgz。

先将下载的图片集放在img_source目录下，用dlib来批量识别图片中的人脸部分，

并保存到指定目录faces_other。人脸大小为64*64。

2.6、主要步骤

（1）读入人脸数据集源文件

（2）加载 dlib机器学习的开源库。

（3）用dlib来批量识别图片中的人脸部分。

（4）人脸保存。

 2.7、制作结果

 

 

 三、 神经网络模型训练

3.1、卷积神经网络内部分析

第一、二层（卷积层1、池化层1），输入图片64*64*3，输出图片32*32*32；

第三、四层（卷积层2、池化层2），输入图片32*32*32，输出图片16*16*64；

第五、六层（卷积层3、池化层3），输入图片16*16*64，输出图片8*8*64；

第七层（全连接层），输入图片8*8*64，reshape到1*4096，输出1*512；

第八层（输出层），输入1*512，输出1*2。

输出神经网络输出的1*2，与标签y_ [0,1]、[1,0]对比得出损失，损失函数为交叉熵，优化器采用Adan优化器，计算模型准确率。

代码实现：

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、输入层

 　　人脸检测出人脸位置，返回坐标、尺寸把脸用数组切片的方法截取下来，把截取的小图片送入神经网络进行训练，输入的图片64*64*3。

 3.3、卷积层　　

　　本网路共三层卷积层，卷积核大小为（3，3），卷积步长为[1,1,1,1]，即一步，padding=“SAME”。卷积层提取特征，

增加通道数，图片大小不变。

3.4、池化层 

　　本文提出的池化层采用最大值采样，采样大小为2*2，即把输入的特征图分割成不重叠的2*2大小的矩形，对每个矩形取最大值，

所以输出特征图的长和宽均是输入特征图的一半。

3.5、全连接层 

　　为了增强网络的非线性能力，同时限制网络规模的大小，网络在特征提取层提取特征后，接入一个全连接层，该层的每一个神经元

与前一层的所有神经元互相连接，将图片的卷积输出压扁成一个一维向量，输出1*512。

3.6、输出层 

本系统共分两类，一类我的人脸（yes），另一类其他人脸（no），从全连接层输入1*512，输出层输出1*2。为求loss做准备。

3.7、主要步骤 

（1）读入制作好的人脸数据集，将图片数据与标签转化成数组。 

（2）划分测试集：训练集=20:1，做归一化处理。 

（3）传入卷积神经网络。 

（4）训练。

3.8、训练结果

   

    

 

四、利用模型进行人脸识别

4.1 、主要步骤

（1）打开摄像头获取图片进行灰度化。

（2）人脸检测。

（3）导入训练好的神经网络模型。

（4）人脸识别。

4.2、识别结果

 

 

  

   

  五、总结

　　本次设计主要研究了基于卷积神经网络的人脸在线识别系统。设计了基于机器视觉的人脸图像采集系统，

自己制作了训练需要的人脸数据集。设计并实现了基于卷积神经网络的人脸识别系统，完成了基于卷积神经网络的

人脸在线识别系统算法设计、神经网络模型训练，实现了对人脸的在线检测与识别。检测出本人人脸，则在人脸上

显示”yes, my face”，若不是我的人脸，则在人脸上显示”no, other face ”。

 

 六 、代码

见个人GitHub：GitHub - AIBigTruth/CNN_faces_recognition: 基于卷积神经网络（CNN）的人脸在线识别系统

 

浅谈则止，深入理解AI大道理

扫描下方“AI大道理”，选择“关注”公众号

 

欢迎加入！