摘 要

本文针对课堂考勤时人脸角度、表情变化和人脸部分遮挡导致人脸识别算法识别不准的问题，设计了一种基于卷积神经网络和支持向量机（SVM）的人脸识别方法。其中，卷积神经网络采用基于Inception-ResNet-v1网络结构的FaceNet模型。

本文的人脸识别流程为：使用MTCNN模型对图像中的人脸进行检测和裁剪，用卷积神经网络提取人脸图像的特征向量，然后将特征向量输入SVM分类器进行训练，利用训练好的SVM分类器进行人脸识别。

本文使用非限制环境的人脸识别数据集训练、测试卷积神经网络和SVM。卷积神经网络经过训练后，能够提取出可用于分类的人脸特征向量。SVM经过训练后，能够进行人脸识别。算法在测试集上达到了98.8%的准确率，并且对人脸角度、表情变化和人脸部分遮挡等情况具有一定鲁棒性。

关键词：人脸识别；卷积神经网络；支持向量机

Abstract

In this paper, a face recognition method based on convolutional neural network and support vector machine (SVM) is designed to solve the problem of inaccurate face recognition algorithm caused by face Angle, facial expression change and partial face occlusion in class attendance. Among them, the convolutional neural network adopts the FaceNet model based on the Inception-ResNet-v1 network structure.

The face recognition process in this paper is as follows: the face in the image is detected and cropped by MTCNN model, the feature vectors of the face image are extracted by convolutional neural network, then the feature vectors are input into SVM classifier for training, and the trained SVM classifier is used for face recognition.

In this paper, face recognition data sets in an unrestricted environment are used to train and test the convolutional neural network and SVM. After training, the convolutional neural network can extract face feature vectors that can be used for classification. After training, SVM can perform face recognition. The algorithm achieves 98.8% accuracy in the test set, and is robust to face angles, expression changes and partial face occlusion.

Key Words：Face recognition；CNN；SVM

目 录

第1章 绪论 1

1.1 研究背景和意义 1

1.2 国内外研究现状 1

1.3 本文研究内容与目标 2

第2章 相关技术和基本原理 3

2.1 人脸识别数据集 3

2.2 卷积神经网络 4

2.3 支持向量机 6

2.4 人脸检测技术 8

2.5 人脸识别技术 9

第3章 课堂人脸识别系统的结构与流程 10

3.1 总体结构设计 10

3.2 方法流程 10

第4章 基于CNN的特征向量提取 12

4.1 数据集选取与制作 12

4.2 图像数据预处理 12

4.2.1 MTCNN模型 12

4.2.2 人脸检测 15

4.3 用于提取特征的CNN模型 16

4.3.1 Inception-ResNet-v1模型 16

4.3.2 FaceNet模型 17

4.3.3 用于特征提取的模型 18

4.4 CNN模型训练与测试 18

第5章 基于SVM分类器的人脸识别 20

5.1 数据集选取与制作 20

5.2 SVM分类方案 20

5.3 SVM分类器训练 21

5.4 人脸识别 21

第6章 结论 24

6.1 工作总结 24

6.2 展望 24

参考文献 26

致 谢 28

第1章 绪论

1.1 研究背景和意义

随着深度学习技术在近年的快速发展，神经网络日趋丰富，网络层数也越来越深。在这样的背景下，人脸识别技术逐渐发展成熟。它的应用也日益广泛，其中包括人脸识别门禁，基于人脸识别的身份辨识，刷脸支付，基于人脸识别的课堂考勤等等。

目前，高校主流的课堂考勤仍然是人工考勤的方式，这不仅效率低下、管理难度大，工作量也不小。人脸识别技术在课堂考勤上的应用极大地方便了教学活动，提高了考勤效率。

然而在实际考勤当中，存在人脸的角度不同、表情不同或者人脸被部分遮挡等情况，这容易导致人脸识别算法出现错误。针对这一问题，本文尝试提出一种对上述情况具有鲁棒性的人脸识别算法。

1.2 国内外研究现状

人脸识别的研究早在19世纪末就已经开始了。通过人脸轮廓曲线来进行人脸识别是早期的人脸识别算法之一，这个方法是在《Nature》上被Francis Galton首次提出来的。近年来，信息技术的进步在很大程度上提高了计算机的计算和存储能力，以往的一些难以实现的方法现在都成为可能。在这样的背景下，人们把目光聚焦在了人脸识别领域。

人脸识别方法主要分为传统方法和基于深度学习的方法。

传统的人脸识别方法主要有以下几种：

1. 基于主成份分析（PCA）的方法^[1]。这个算法利用PCA进行人脸识别。该方法是由Sirovich和Kirby两人提出的。
2. Fisherface算法。这个算法是基于线性判别分析理论（LDA）的。该算法由Ronald Fisher提出，提高了人脸识别的准确率。
3. 基于高维LBP特征的人脸识别^[2]。这个算法是由Chen D等人提出的，它的效果要比全局LBP更好，算法也更具有鲁棒性。

这些传统的人脸识别方法存在较大的局限性，它们的性能易受到环境的影响。光照强弱、姿态变化等都会影响最终的识别效果。

相比之下，基于深度学习的算法具有更强地鲁棒性，环境因素很少能影响到这类算法地性能。这种算法也可以分为两类。一种试图设计出性能良好的多分类网络，另一种旨在设计一个优秀的监督信号。前者利用网络提取人脸特征，然后用其他分类器对人脸特征进行分类，完成匹配任务；后者设计一种目标函数，优化这个函数能够增强对不同人脸的区分能力。