[发明专利]一种基于卷积神经网络的人脸识别方法

权利要求书

1.一种基于卷积神经网络的人脸识别方法，其特征在于：所述基于卷积神经网络的人脸识别方法包括以下步骤：

步骤一：对需要进行识别的人脸图像分为训练样本、测试样本和验证样本三类，并读取待训练的数据；

步骤二：对步骤一读取训练数据后的人脸图像进行归一化处理；

步骤三：构建卷积神经网络的网络结构，结构为输入层-卷积层-卷积层-池化层-卷积层-卷积层-池化层-全连接层；

步骤四：将步骤二归一化处理后的训练样本放入步骤三构建的网络结构中进行训练，训练的过程包括前向传播和反向传播；将步骤二归一化处理后的验证样本放入步骤三构建的网络结构中进行验证，若验证样本的测试结果大于等于设定的阈值，则执行步骤五，若验证样本的测试结果小于设定的阈值，则重新执行步骤三；

步骤五：将步骤四训练后的模型参数进行保存；

步骤六：使用训练后的模型参数对步骤二归一化处理后的测试样本进行检测，得到模型的检测结果。

2.根据权利要求1所述的一种基于卷积神经网络的人脸识别方法，其特征在于：所述步骤三中卷积神经网络的结构按输入层-卷积层-卷积层-池化层-卷积层-卷积层-池化层-全连接层排列，选取ReLu函数作为激活函数，池化使用最大池化的方法，当前层的输出表示为：

xe＝f(ue)

ue＝Wexe-1+be

其中xe表示当前层的输出，ue表示激活函数的输入，f()表示激活函数，We为当前层的权值，be为可加偏置。

3.根据权利要求2所述的一种基于卷积神经网络的人脸识别方法，其特征在于：所述步骤三中池化层之后添加Dropout对网络进行断开处理，选择以0.25及0.5的概率断开神经元之间的连接。

4.根据权利要求3所述的一种基于卷积神经网络的人脸识别方法，其特征在于：所述步骤三中全连接层使用Softmax将多个神经元的输出，映射到(0,1)区间内，进行分类得到分类结果。

5.根据权利要求4所述的一种基于卷积神经网络的人脸识别方法，其特征在于：所述步骤四中前向传播和反向传播具体为：

前向传播：训练样本从输入层进入网络，通过上一层的结点以及对应的连接权值进行加权和运算，结果加上一个偏置项，通过非线性函数得到的结果就是本层结点的输出，逐层运算得到输出层结果；若输出层的实际输出与期望输出不同，则转至误差反向传播；若输出层的实际输出与期望输出相同，则结束；

反向传播：期望输出与实际输出之差按原通路反传计算，通过隐层反向传播直至输入层，在反传过程中将误差分摊给各层的各个单元，获得各层各单元的误差信号，并将误差信号作为修正各单元权值的根据，修正各单元权值过程使用Adagrad算法完成。

6.根据权利要求5所述的一种基于卷积神经网络的人脸识别方法，其特征在于：反向传播的损失函数采用多类的对数损失。

7.根据权利要求6所述的一种基于卷积神经网络的人脸识别方法，其特征在于：所述步骤五中模型参数采用python保存。

8.根据权利要求1至7任一权利要求所述的一种基于卷积神经网络的人脸识别方法，其特征在于：步骤四中所述设定的阈值为95％。