全文总字数：4078字
基于深度学习的人脸识别系统的设计与实现
摘要：大数据蕴含大发展，结合不断提升的高性能计算机更是给机器视觉技术带来日新月异的发展。深度卷积神经网络也正是借着这股力量才大放异彩，其主要应用包括语音识别、图像处理、自然语言处理等。本文就当前大环境下研究了卷积神经网络模型[1]在静态环境下人脸识别领域的应用。相对传统人脸识别方法而言，卷积神经网络模型不需要人工进行大量而又复杂的特征提取算法设计，仅需要设计一个可行的网络模型，再将大量的人脸训练数据集加载到网络模型中，然后进行自动训练，这样就可以得到很好的识别率。把训练好的模型保存下来,那么这个模型就是一个端到端的人脸特征提取器。
关键词：深度学习；卷积神经网络；人脸识别；TensorFlow
- 研究目的及意义
为了提高身份识别系统的安全性，近年来，各国政府非常重视不易被仿制的基于生物特征识别技术的研究。生物特征验证识别包括指纹、掌纹、人脸、声音等的验证识别，其中人脸识别是一种非常自然，友好的生物特征识别技术[2]。人脸识别技术包括图像或视频中进行人脸检测、从检测出的人脸中定位眼睛位置、然后提取人脸特征、最后进行人脸比对等一系列相关的技术[3]。人脸检测的结果将对后续的工作产生重要的影响，即人脸检测的基础，因此研究人脸检测具有十分重要的研究意义和实用价值。
- 国内外研究概况
人脸识别技术正式起步于美国，我国接触该技术较晚，但是经过科研人员和学者们多年的研究和实验，目前我国的人脸识别技术已经达到国际先进的水平。美国国家标准技术局举办的FRVT2006通过大规模的人脸数据测试表明，当今世界上人脸识别的一些方法的识别精度已经超过人类的平均水平。而对于高清晰、高质量人脸图像识别、机器的识别精度几乎达到百分之百[4]。在我国，最早从人工向计算机智能识别发展的生物识别技术是指纹识别，但是在实际应用中逐渐产生了对人脸识别技术的需求。我国在2008年北京奥运会举行时应用了人脸识别技术，这标志着我国的人脸识别进入大规模的使用阶段。
2.1历史发展
时至今日，历经四十多年的人脸识别研究，涌现了很多新的技术和方法，按照自动人脸识别的研究历史、技术方法等方面的特点大致划分三个阶段[5]。
第一阶段（1964-1990）。这一阶段研究的人脸识别只是作为一般性的模式识别问题，在这其中，基于人脸几何结构特征方法是主要技术手段。依据主要特征间的距离、一些相对位置和关键的面部特征来建立人脸识别所需要的特征向量，再通过这些特征向量之间的匹配完成人脸识别任务,这是该方法的基本思想。这一阶段的主要代表人物[6]是Goldstein、Harmon以及Kanade等。总体而言，这一阶段取得的重要成果不是很多，而且也未获得实际应用价值。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
