基于迁移学习和MTCNN的人脸识别方法

2020-12-28 02:12:09邓健
科技风 2020年35期

邓健

摘 要:针对传统神经网络人脸识别准确率不高的缺点,提出一种能够提高人脸识别准确率的改进型人脸识别方法。首先将包含人脸的图片输入MTCNN网络,将图片中的人脸部分截取出来,去除图片中的干扰部分。以迁移学习的方式将图片送入Inception-v3网络模型中训练,保留预先训练好的参数,只改变最后一层全连接层的参数,从而获得新的人脸识别模型。最后在LFW人脸数据库上验证该算法的有效性,实验表明,该方法相较传统的CNN网络,有更高的识别准确率,达到了996%的识别准确率。

关键词:人臉识别;CNN;MTCNN;迁移学习

2012年,杰弗里·辛顿小组采用深度学习模型AlexNet在ImageNet图像识别大赛中夺冠,引发了深度学习的研究热潮。近年来,深度学习在人脸识别领域中得到广泛应用,人脸识别的准确率也在逐年提高。但相较其他类型的图像识别,人脸识别因人脸本身差异性较小,识别难度大,所以识别准确率还远没有达到理想的要求。因此,本文提出一种改进型的人脸识别模型,以提高人脸识别准确率。

1 卷积神经网络

CNN(Convolutional Neural Networks),即卷积神经网络。CNN是一种具有代表性的深度学习算法,相较于传统神经网络,卷积神经网络具有深度结构的前馈神经网络,此外还多了一步涉及卷积运算的卷积层网络。它是针对图像识别而被提出的,CNN主要包含三层结构,分别是输入层,隐藏层以及输出层。隐藏层又可以细分为多个网络层。其中卷积神经网络的隐含层又包含通过卷积运算提取图像特征的卷积层、以及通过下采样简化网络的池化层和用于对图片进行分类的全连接层。……

登录APP查看全文