基于卷积神经网络的人脸在线识别系统-数据集+完整代码

# **基于卷积神经网络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 本系统使用人脸数据集下载:[http://vis-www.cs.umass.edu/lfw/lfw.tgz](http://vis-www.cs.umass.edu/lfw/lfw.tgz) ## **一、设计目标** - 掌握人脸识别原理； - 掌握卷积神经网络算法原理 - 掌握卷积神经网络模型训练过程； - 掌握常用图像处理技术； **设计内容与要求** - 完成基于卷积神经网络的人脸在线识别系统算法设计； - 完成基于卷积神经网络的人脸在线识别系统模型训练； - 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 - 加载 dlib 机器学习的开源库 - 图像预处理 cvtColor（灰度化）。 - 使用 dlib 自带的 frontal_face_detector 进行特征提取。 - 使用特征提取器进行人脸检测。 - 人脸保存。 ### 2.3、制作结果   ### 2.4、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](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。 ### 2.5、主要步骤 - 读入人脸数据集源文件 - 加载 dlib 机器学习的开源库。 - 用 dlib 来批量识别图片中的人脸部分。 - 人脸保存。 ### 2.6、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 - 打开摄像头获取图片进行灰度化。 - 人脸检测。 - 导入训练好的神经网络模型。 - 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 ”。