基于改进的SqueezeNet的人脸识别.pdf

基于改进的SqueezeNet的人脸识别 人脸识别是计算机视觉和模式识别领域中的一个重要研究方向。随着人脸识别技术的发展，各种人脸识别方法不断涌现。卷积神经网络（CNN）是近年来人脸识别领域中的一个热点研究方向。SqueezeNet是 CNN 中的一种经典模型，但是它也存在一些缺陷，如模型参数多、训练时间长、无法在内存小的硬件上运行等问题。 本文提出了一种基于改进的SqueezeNet的人脸识别模型。该模型保留了原网络模型中的小卷积核，用于提取图片特征，还采用首尾池化层分别引入对应的后续卷积层进行特征融合，提取细微的人脸纹理特征，以稳定模型收敛性，防止小的卷积核在复杂的人脸训练集上产生过拟合。同时，对分类函数 Softmax 的改进采用 L2 范数约束的方法，将最后一层的特征约束在一个球面内，减少相同特征间距，提高网络收敛能力。 实验结果表明，该模型在 CASIA-WebFace 和 ORL 人脸库上的实验验证结果优于其他先进模型，具有输入参数少、模型易于收敛和能够运行在内存小的硬件设备的优势。 人脸识别技术的发展对于人类活动的信息捕捉和分析产生了重要影响。随着人脸识别技术的发展，各种人脸识别方法不断涌现，如主成分分析（PCA）、线性判别分析（LDA）、后向传播神经网络（BPNN）和卷积神经网络（CNN）等。卷积神经网络通过网络内部的优化可以克制一些限制因素，如拍摄角度、光照等环境因素的影响。 在人脸识别领域中，卷积神经网络已经取得了很大的成功。例如，牛津大学的 VGGFace 实验团队提出的 VGGFace 人脸识别卷积神经网络，研究者表示网络是采用的 VGGNet 的 A 结构，具有 60m 的模型参数输入。吴翔等提出的 LightCNN 人脸识别卷积神经网络的方法，该方法提出了三种卷积神经网络模型（LightCNN-4、LightCNN-9、LightCNN-29）和激活函数（max-feature）。 本文的研究结果将有助于提高人脸识别技术的发展，并且可以应用于商业人脸支付系统、执法系统等领域。