一种改进的残差网络的人脸识别方法.pdf

人脸识别技术的深度学习方法 人脸识别作为非入侵式的生物特征识别方法，在国防安全、视频监控、人机交互等方面具有广泛的应用。本文中，我们将讨论一种基于改进的残差网络的人脸识别方法，以弥补传统的基于浅层机器学习人脸识别算法的不足。 在过去几十年中，人脸识别研究取得了较大成果，但是随着训练样本的不断增加，传统的基于浅层机器学习人脸识别算法已经满足不了人们的需求。深度学习的出现让人脸识别的研究进入了新的时代，也对模式识别、人工智能、计算机视觉等多个领域产生了重要影响。 在国外，一些学者提出了许多可行有效的算法。例如，Taigman 等提出了 DeepFace 网络，首次应用深度学习来进行人脸识别，使用了 3D 对齐方法来解决传统 2D 对齐不能解决的面外旋转问题，取得了 97.25% 的准确率，首次接近了人类肉眼水平。 然而，传统的基于浅层机器学习人脸识别算法存在一些缺陷，如训练精度退化和分类效果不理想的问题。为了解决这些问题，本文提出了一种基于改进的深度残差网络人脸识别算法。 该方法先利用多任务级联卷积神经网络（MTCNN）算法对人脸图像进行检测对齐，再利用残差网络提取人脸图像特征，然后用 Angular Softmax（A-Softmax）来代替普通 Softmax 层，使得神经网络能够学习到更具辨别性的角度特征。 在 CASIA-WebFace、LFW（Labeled Face in the Wild）和 YTF（Youtube Face）人脸库上进行仿真实验，结果表明：与普通的卷积神经网络相比，该算法不仅能够学习更加深的人脸特征，而且可以有效提高人脸的识别率。 因此，本文的贡献在于提出了一种基于改进的深度残差网络人脸识别算法，能够学习更加深的人脸特征，提高人脸识别的准确率和效率。 关键词：卷积神经网络；网络加深；人脸识别；改进的残差网络；角度特征