基于神经网络的人脸识别

"基于神经网络的人脸识别" 本文主要介绍了基于卷积神经网络的人脸识别方法，该方法可以自动提取人脸特征并进行分类。该网络由两个卷积层、两个池化层、一个全连接层和一个 softmax 回归层组成。 卷积神经网络是一个受生物视觉启发、以最简化预处理操作为目的的多层感知器的变形，本质是一个前向反馈神经网络。卷积神经网络与多层感知器的最大区别是网络前几层由卷积层和池化层交替级联组成，模拟视觉皮层中用于高层次特征提取的简单细胞和复杂细胞交替级联结构。 卷积层的神经元对前一层输入的一部分区域（称为局部感受野，区域之间有重叠）有响应，提取输入的更高层次特征；池化层的神经元对前一层输入的一部分区域（区域之间无重叠）求平均值或最大值，抵抗输入的轻微形变或者位移。 卷积神经网络用于人脸识别是一种基于特征的方法，区别于传统的人工特征提取和针对特征的高性能分类器设计，它的优点是通过逐层卷积降维进行特征提取，然后经过多层非线性映射，使网络可以从未经特殊处理的训练样本中，自动学习形成适应该识别任务的特征提取器和分类器，该方法降低了对训练样本的要求，而且网络的层数越多，学习到的特征更具有全局性。 本文借鉴 LeNet-5 的模型结构，提出 6 层卷积神经网络用于 ORL 人脸库和 AR 人脸库的人脸识别，网络前 4 层由卷积层和池化层交替级联用于特征提取随后接入一个全连接层，最后一层采用非线性分类能力强的 Softmax 分类器，该 6 层卷积神经网络采用 sigmoid 激活函数和固定的学习速率。 卷积层和池化层由多个特征图（即二维平面）组成，每个特征图由多个神经元组成，每一层的特征图作为下一层的输入，卷积层的特征图可能与前一层的若干特征图建立关系。 卷积层通过局部连接和权值共享的方法，模拟具有局部感受野的简单细胞，提取一些初级视觉特征的过程。池化层模拟复杂细胞是将初级的视觉特征筛选并结合成更高级、抽象的视觉特征的过程，在网络中通过采样实现，经过池化层的采样后，输出特征图的数量不变，但是特征图的尺寸会变小，有减小计算复杂度、抵抗微小位移变化的作用。 本文提出的池化层采用做大值采样，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。 全连接层是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 4 个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，同层神经元之间不连接。 Softmax 回归层是网络的最后一层，用于分类任务，该层的每一个神经元都与输出层的所有神经元互相连接，输出概率分布，用于人脸识别的分类任务。 实验结果表明，该方法可以达到 99.50% 和 99.62% 的识别率，超过了传统的人工特征提取和针对特征的高性能分类器设计的方法。本文的方法可以应用于人脸识别领域，具有广泛的应用前景。