【《基于深度学习的智能家居门禁系统设计与实现》10000字（论文）】

基于深度学习的智能家居门禁系统设计与实现TOC\o"1-3"\h\u78331.绪论 1257941.1课题研究背景 1162351.2国内外发展现状 143371.2.1深度学习 1320151.2.2人脸识别 2181931.3论文研究内容 4278171.4论文结构安排 494682．深度学习相关技术介绍 694412.1深度学习 6322642.1.1深度学习的主要思想 6117152.1.2深度学习与神经网络 7235412.1.3深度学习的训练过程 8123982.2卷积神经网络 8125302.2.1卷积神经网络结构 88942.2.2局部感受野与权值共享 94532.2.3卷积层，池化层，全连接层 937392.2.4卷积神经网络训练方式 10216992.2.5卷积神经网络实现图像识别 11289952.2.6卷积神经网络的特点 11286863．人脸识别及其在门禁系统中的应用 13213053.1人脸识别的应用 13137673.2人脸识别的特点与优势 13313633.3人脸识别在门禁系统中的应用 1416712４．基于深度学习的人脸识别算法实现 16175484.1编译环境 16284084.1.1OpenCV 16251434.1.2TensorFlow 16172524.2总体设计 17306694.3具体实现 17308974.3.1人脸捕捉 17270994.3.2制作数据集 2141714.3.3数据集训练 24283904.3.4人脸识别 2812523参考文献 481.绪论本章主要介绍研究课题相关的背景，以及本文主要研究的深度学习和人脸识别的国内外研究现状及发展历程，简介本文的结构以及本文主要讲述的内容。1.1课题研究背景在现代社会不断发展进步的同时，人们对于安保系统的要求也随之变高，同时促使更多新技术被应用于安保行业。现有的智能门禁系统大多依托于密码以及刷卡认证，虽然相比仅使用钥匙更加方便快捷，但依然存在密码丢失以及盗刷身份卡的问题，有一定的安全隐患。而现在大热的深度学习同样属于适合应用于设计新型的门禁系统，提高安全性以及便捷性，让人们的生活更加舒适，同时新技术的应用增加了诸如指纹，虹膜，人脸，声纹等生物识别特征作为新的身份检测方式，比起密码、口令、身份卡等更加不可分离、不可盗用，对于智能门禁系统是一大提升。深度学习是目前比较火热的研究方向，其主要目的为建立模拟人脑的神经网络进行不断的分析学习，模仿人类大脑的方式解释数据，将具体的数据拆分成许-可以自行从大量数据中总结出得出所需结果的规律，在经过大量数据的训练后，基本可以从自行收集或外部输入的大量数据中得出期望的结论，且精度或准确率可以随训练次数的增加不断提升。1.2国内外发展现状1.2.1深度学习深度学习（DeepLearning，DL）技术，是目前机器学习领域十分热门的研究方向，在多个领域都有应用，具有良好的发展潜力与前景，其主要思想是模仿人脑处理问题的机制进行分析和学习，并以此建立一个神经网络模型，通过各个神经单元对各类数据进行分析与解释，例如文本、声音、图像等信息。最早在20世纪40年代提出了深度学习的概念。大致的讲，深度学习发展过程中有三个比较明显的阶段：第一个阶段为1940到1960，主要被叫做控制论主义；第二个阶段为1980到1990，主要被叫做连接主义；第三个阶段在2006年之后，开始叫做深度学习。第一阶段：代表性的算法为因为其模仿了生物大脑的思考分析方式而得名的人工神经网络。神经网络第一个模型为感知机模型，用来对两种类型进行区分。最早的感知机需要手工确定连接权重，在不断研究发展下最终可以自行学习并完成设定。现在的机器学习领域研究思路以及发展方向都与当时的算法有与一定的关系。然而，在发现作为线性模型的感知机模型却无法解决异或函数问题时，神经网络第一次进入衰落期。第二阶段：神经网络的第二波是随着分布式处理技术的普及和连接主义的兴起被带动起来的，连接主义就是在网络连接中将简单的计算单元作为网络节点，以此来实现复杂的功能。此时提出的许多概念仍然发挥着重要作用。第二波深度学习一直持续到90年代中期，由于此时对神经网络的期望很高，当实际效果达不到预期时，受到了诸多质疑。但与此同时，其他以图模型和核机器学习为首的浅层机器算法，在许多计算机视觉的相关任务中表现良好，这些原因使得神经网络再一次陷入了衰落。不过在这段时间内神经网络也并非毫无进展，比如为笔记检测而被提出的具有深刻意义的卷积神经网络。第三阶段：在2006年，Hinton和其他一些公司开始了一个项目。提出了有效训练神经网络的阶段性预准备方法，有效地解决了多层次网络难以训练的问题。在这一阶段开始时，重点放在无监督深度模型上。但到了现在，深度学习的相关研究人员都使用可监督的学习方法来学习大量的数据，进一步提高机器学习效率。1.2.2人脸识别人脸识别技术是一个研究的热点，人脸识别技术是通过对人脸图像的分析，提取有效、可靠的识别信息来进行身份识别的技术。涉及计算机视觉、生物学、认知科学等多个学科，并与其他生物特征识别方法和计算机人机交互等研究领域紧密相连，可广泛应用于监狱、商业以及其他领域，因此，对人脸识别技术的研究不仅具有重要的实用价值，而且对其他相关领域的理论研究具有重要的推动作用。经过半个多世纪的快速发展，人脸识别技术取得了可观的成果。各种人脸识别产品和系统层出不穷，人脸识别技术在不同领域的应用越来越广泛。人脸识别的最早研究可以追溯到1850年代。Bruner和Tagiuri于1954年从心理学的角度研究了人脸识别。1960年代，Bledsoe从工程角度探索了人脸识别技术。他根据人脸特征点之间的距离和比特率等参数建立了一个半自动人脸识别系统。然而，早期的人脸识别一般需要一些人为先验知识，无法摆脱人为干预。因此，在最初的两三年内，人脸识别技术发展缓慢，这方面的论文数量非常少。20世纪90年代，人脸识别技术的研究取得了长足的进步。从工程索引上可以检索到数千个相关文档。包括IEEETPAMI在内的国际重要期刊都有专栏或专刊报道人脸识别的最新研究进展。同时，国际上还有一个关于人脸识别的专题。学术会议。人脸识别技术领域的国际知名研究机构包括英国剑桥大学工程系、麻省理工学院媒体实验室、美国AI实验室等。CMU的Humm-ComputerInterfaceInstitute（Carnegie-MellonRoboticsResearchandInteractiveSystemLaboratory）、马里兰大学和日本的东芝公司。国外从1995年开始陆续推出了一系列人脸识别系统产品，其中较为成熟和知名的产品有：(1)Cognitec公司开发的FaceVACS系统。(2)Identix开发的Facelt系统的核心算法是基于特征表示的局部特征分析(LFA)算法。(3)A4Vision开发的3D人脸识别产品可以实时捕捉人脸的3D图像进行人脸识别。(4)著名神经网络专家MichaelKuperst博士开发的两款主要产品：一个是TrueFaceCaberWatch，它是世界上第一个计算机、网络和数据安全软件；另一种是TrueFaceGateWatch，它是一套专用的出入口控制系统（包括软件和硬件），可用于写字楼和私人住宅的出入口验证。(5)德国高科技公司西门子Nixford开发的视频门禁系统，是一种与卡片配合工作的门禁系统。可用于自动柜员机，也可用于代替电脑启动密码。与美国、日本和一些欧洲国家相比，国内对自动人脸识别技术的研究起步较晚，始于1980年代。由于国家863计划、国家自然科学基金、国家科技支撑计划等重大项目的支持，特别是国家“十一五”发展规划，人脸识别的研发技术被纳入规划，并明确提出生物识别技术领域缩小与世界发达国家的差距，开展生物识别技术应用研究，开发出新的出入境控制系统可靠性高，误识别率低。在这种良好的环境下，国内相当多的科研院所和高校在人脸识别应用领域取得了很大的突破。国内人脸识别领域知名研究机构包括：中国科学院自动化研究所、中国科学院计算技术研究所；清华大学、上海交通大学、同济大学、南京大学、国防科技大学、武汉大学、华中科技大学、四川大学等高等院校；上海银辰智能识别技术有限公司、汉王科技有限公司等知名IT企业。1.3论文研究内容本文主要基于深度学习研究实现一个人脸识别的门禁系统。主要实现的功能有采集人脸数据，制作数据集，对数据集进行训练，并最终在摄像头监控画面内动态捕捉人脸并进行识别。主要设计按照卷积神经网络建立一个对所采集数据进行训练的网络，并且围绕所实现的功能介绍相关技术知识和实现过程。1.4论文结构安排第一章主要介绍选题的研究背景以及相关技术发展现状，结合相关资料提出基于深度学习的智能家居门禁系统的解决方案以及本文的主要研究内容和内容结构安排。第二章主要介绍人脸识别的相关内容，例如应用场景，特点与优势，实现方式，以及在门禁系统中的应用，结合实际与相关资料对研究课题的需求以及所选识别方式的合理性进行了分析。第三章主要介绍深度学习的相关内容，作为本文的主要研究技术，介绍了深度学习的主要思想，深度学习与神经网络的关系和区别，深度学习的训练过程，以及从本文在深度学习中选择作为关键实现技术的卷积神经网络的相关内容，结合大量相关理论对深度学习和卷积神经网络进行了一定的研究学习，并介绍了经过研究学习所得深度学习在人脸识别方面的意义和选择卷积神经网络的原因。第四章主要是对所使用的编译环境进行介绍，并描述了基于上述理论对与本课题的总体设计思路和内容，以及具体的针对各功能的实现，同时也介绍了所使用的一些软件库以及所建立的网络结构，并给出了相应的代码。第五章为实现本系统后的测试文档，介绍了本系统各功能实现部分在测试过程中的输出内容，以及完整的测试过程和最终的测试结果，并借由测试结果体现本系统的理想实现过程。第六章为根据以上设计实现和测试的结果对本系统和进行的工作进行总结，并对介绍本系统的不足和优化空间，展望相关技术和行业的发展前景，提出自己的想法。2．深度学习相关技术介绍深度学习作为本文的主要研究课题，也是目前机器学习的重要研究领域，本章将基于本人对深度学习的了解和研究进行介绍，并阐述在深度学习中选择卷积神经网络作为实现人脸识别的网络结构的原因和相关理论知识。2.1深度学习机器学习（MachineLearning，ML）主要是研究如何使计算机模拟人类的思考行为方式来进行学习，并不断将新获得的知识和技能用于改善自身的性能。一些相关的实验向人们证明了机器学习的能力，并挑起了人们丰富的想象力，提出了许多关于人工智能发展所带来的社会以及哲学方面的问题，并且在许多文艺创作中加入了这些讨论，引起了公众对此的广泛关注。虽然机器学习的研究取得了一定的成果，也受到了许多人的关注，但是随着研究的深入还是面临许多解决不了的问题，其中一个很关键的问题就是机器学习是靠人工提取特征的，虽然对于提取特征人们也有过深入的研究，也出现过sift之类的极大优化此工作的发现，但是这些进步依然弥补不了人工选取的缺陷，毕竟这是一种及其费力，需求专业知识，某种程度上还要靠经验与运气的工作，在调节过程中还需要耗费大量的时间，与人们理想的人工智能相去甚远。1981年的诺贝尔医学奖授予大卫·休贝尔、托尔斯滕·威塞尔和罗杰·斯佩里。前两者的主要贡献是“发现了视觉系统的信息处理”。简单地说，人类视觉系统的信息处理是分层的。在低层v1区域提取边缘特征，在v2区域提取形状或目标的一部分，逐渐向更高层次，组合成一个完整的目标和目标行为，也就是说，高级特征是低级特征的组合，逐渐从低级到高级特征的抽象，但是越来越多的可以表达语义或意图。抽象层次越高，可能的猜测越少，更有利于分类。而深度学习正是在这些开发经验和研究成果的基础上，通过更多的层次来获得更抽象的特征表达，并以此代替机器学习的人工特征提取，从而获得更高的效率和更广泛的应用。2.1.1深度学习的主要思想假设有一个有n层(S1,S2,...Sn)的系统S，其输入为I，输出为O，则该系统可表示为：I→S1→S2→...→Sn→O，如果输出O等于输入I，即输入I经过整个系统S后没有信息损失。这说明系统S中每层Si以另一种方式表示输入I，所以如果可以设计A系统S，通过调整其参数，使得输出O始终等于输入I，那么我们就可以得到输入数据的一系列层次特征，即S1`,S2,...,Sn.深度学习的主要思想是通过堆叠多个层来实现输入数据的分层表达，然后将每一层的输出作为下一层的输入。深度学习的本质是通过构建具有许多隐藏层的机器学习模型并引入大量数据用于训练，获得更好更高效的特征提取方式，并得到更有用的特征，从而最终提高分类或预测的准确性。深度学习异于一般的浅层学习的特点为：（1）强调模型结构的深度，通常有5层、6层，甚至10层隐藏节点；(2)特征学习明显突出重要性，在新的特征空间中表示原始样本的特征，并且可以继续逐层变换以使特征更加鲜明，更加容易进行预测和分类。2.1.2深度学习与神经网络深度学习是在机器学习研究进一步发展后，面对常见问题提出的解决方案衍生出的一个新的研究领域。深度学习的主要目的是建立一个神经网络，将各种类型的信息以模拟人脑的思维方式来进行解释与分析。深度学习和传统的神经网络有异同。两者的区别在于深度学习使用了类似的神经网络分层结构。该系统由一个多层网络组成，该网络由一个输入层、一个隐藏层（多层）和一个输出层组成。每一层的所有节点只与相邻层内的节点相连，这种结构实际上与人脑的结构更为相似，并且每一层内部都可以被视为一个逻辑回归模型。图2.1深度学习网络结构为了克服神经网络训练中的问题，DL使用了一种与神经网络非常不同的训练机制。传统的神经网络在训练方式主要使用反向传播的方法，就是将随机生成的初始值作为输入来得到当前网络经过计算与分类的输出，然后改变各层的参数值，依据是输出与标签之间的差，直到收敛，可以看作使用迭代的方法训练并调整整个网络，基本是使用了一个梯度下降法。而深度学习整体上是一种分层的训练机制。2.1.3深度学习的训练过程(1)使用自下而上的无监督学习（即从底层开始，逐层训练到顶层）：使用未校准的数据（也可以使用校准的数据）对各层进行训练以调整每一层的参数。这一步是与传统神经网络最不同的部分（这个过程可以看作是一个特征学习过程）：具体来说，第一层用未经校准的数据进行训练，在训练时学习第一层的参数（这一层可以看作是三层神经网络的一个隐藏层，最小化了输出和输入的差异）；学习第n-1层后，将第n-1层的输出作为第n层输入，训练第n层，从而得到每一层的参数；（2）自顶向下的监督学习（即通过标注数据进行训练，误差自上而下传递，网络微调）：对整个多层模型的参数进行调整，主要依据为第一步得到的参数。这部分训练过程是有监督的；第一步类似于神经网络的随机初始化过程，因为DL的第一步不是随机初始化是通过学习输入数据的结构得到的，所以这个初始值更接近全局最优，可以实现更好的结果。2.2卷积神经网络卷积神经网络（ConvolutionalNeuralNetworks，CNN）是一种带有卷积结构的深度神经网络，可以通过卷积以及其他操作简化网络结构，降低整体工作量，同时还能提高特征提取的准确率和有效性。其他操作包括池化操作，共享权值和局部感受野，通过各自不同的特点和方式，减少了整体参数的数量，降低了过拟合问题出现的概率。2.2.1卷积神经网络结构卷积神经网络主要由卷积层，池化层，全连接层以及输出层组成，本质上是一种多层监督学习神经网络。主要由卷积层和池化层来实现卷积神经网络的特征提取。卷积神经网络上层主要包括逻辑回归分类器和全连接层中的隐藏层，下层则基本为卷积层和下采样层循环出现。在经过多次卷积和池化操作后的到的特征图像将会作为第一个全连接层的输入。输出层作为最后一层，会使用多种方式分类输入图象并输出结果。图2.2卷积神经网络2.2.2局部感受野与权值共享卷积神经网络主要依靠降采样操作，共享权值和局部感受野来使参数得到筛选，只保留更有价值的参数，减少参数数量，并提高网络对于输入图像的各种变化的适应性和特征识别的准确度局部感受野：每个神经元只采集图像的一部分中的特征，最终只需要将所有神经元进行更高层次的整合就可以得到完整图像的所有特征。权重共享：权重共享可以视为通过共享权重使检测不同区域的神经元检测相同的特征，可以视为是使用一个卷积核在图像上进行平移扫描，并不断进行卷积运算，并且可以通过使用多个卷积核来生成多个特征图，同时检测多种不同的特征。主要模糊了特征的绝对位置信息，而只保留特征间的相对位置信息，使得卷积神经网络可以对图象平移有较好的适应性。2.2.3卷积层，池化层，全连接层卷积层，通过卷积操作提取所选图像的特征，由于对参数进行了筛选，可以更准确的选择特征。卷积需要输入两个参数。本质是二维空间滤波。过滤的本质与卷积和选择有关。卷积过程是卷积和所有权重和输入图像上对应元素的亮度之和，然后对输入图像进行Pan扫描得到输出空间。卷积之后一般会加一个bias，并引入非线性激活函数来帮助表达复杂的特征，从而得到一个完整的卷积层。池化层，也叫下采样层，因为池化操作是下采样操作，可以减少数据量，保留有效信息，可以丢弃特征的具体位置，只保留特征之间的相对位置，这有助于处理类似物体变形和扭曲后的变化，可以加快计算速度，防止过拟合问题。常见的池化操作包括最大池化、平均池化和L2池化，它们分别取设置滤波器大小n*n的像素点的最大值、平均值和均方值。全连接层，使用softmax全连接，将卷积层和池化层所得的特征图作为输入，主要功能是分类，全连接网络和卷积神经网络的主要区别在于每一层的所有单元全连接网络与前一层全连接，而卷积神经网络需要进行滑动卷积。2.2.4卷积神经网络实现图像识别将一张经过格式调整的图像作为输入，神经元们按照分配的区域各自对特征进行识别，并将检测结果作为输入传入下一层的神经元，低层的神经元主要提取一些类似于角点和边缘的基本特征，然后由高层次的神经元进行组合和进一步的特征提取。在卷积运算后得到的特征图，是由不同特征图的单元采集到的不同类型的特征分布在各个位置组合而成。通过使用不同的卷积核可以生成多个不同的特征图，可以采集到图像中多种类型的特征。在卷积操作完成后，往往会连接到下采样层进行池化操作，将特征模糊化处理，减少后续的计算量同时提高对于图像形变的适应性，两种操作交替进行，增加提取特征的类型和数量，同时不断使分辨率降低。2.2.6卷积神经网络的特点可以接受图像的一些变形，缺损以及一些环境造成的影响，具有很强的适应性，可以并行处理，一次提取多种特征，并可以通过不断的自我学习，加快运行速度以及处理一些情况比较复杂的问题，在图像识别领域有优异的表现。

3．人脸识别及其在门禁系统中的应用在现代社会不断发展的背景下，安保行业也面临需要引入新技术来改进的问题，而在现在主流的生物特征识别中，本文选择了人脸识别，本章将会介绍人脸识别的相关内容以及其在门禁系统中的应用。3.1人脸识别的应用随着计算机以及互联网行业的火热以及人脸识别算法的不断发展进步，越来越多行业的厂商推出新的人脸识别产品，并在许多领域得到应用，人脸识别技术已经与人们生活越来越接近。目前，人脸识别的应用领域主要有：安全方面，有出入境管理，高铁动车飞机等进站检查，公共环境监控，重要地点场所监控等；身份验证方面，有护照、驾照、身份证、签证验证，用户身份认证，智能门禁，嫌疑犯认证等；其他方面，有人脸分类，人脸搜索，体感交互游戏，人脸重建等。3.2人脸识别的特点与优势相较于传统技术，人脸识别技术能够在当下脱颖而出拥有如此高的热度和如此广泛的使用，主要拥有以下特点与优势：非接触：人脸识别图像采集主要依赖摄像头，无需与人体进行任何直接接触，相较于指纹采集等方式更加卫生，人们更好接受，也降低了采集数据时的难度。非隐私：人脸与其他生物特征不同的是，人脸基本一直暴露在外，而指纹，虹膜等涉及一定的特殊隐私问题，所以将人脸作为识别特征可以避免此类问题，使用者基本不会有抵触情绪。非侵扰：图像采集由摄像头自主完成，无需使用者或操作者进行其他操作，只要摄像头镜头内出现人脸自动开始识别，方便快捷的同时还可以避免许多由于操作不当产生的问题。可扩展性好：人脸识别采集数据完成后，下一步具体的操作和应用，可以由实际具体的应用环境所决定，以及是否需要连续进行识别，以及对精度和准确度的要求等，可以随实际的需求更改。不过同时，人脸识别也存在一定的缺点，例如光影，角度以及遮挡都会对识别准确度产生较大影响，而且人脸存在改变的可能性，例如整容手术，事故创伤等可能导致人脸识别结果产生错误，以及对图像采集环境有一定的要求，在不够合适的环境下识别可能会延长识别所用时间，降低识别精度等。3.3人脸识别在门禁系统中的应用人脸识别门禁主要流程为图像采集、人脸检测、特征提取、人脸图像识别。人脸图像采集：通过图像采集装置实时采集的图像可在抓拍的有效监控区域内记录下来，并将采集到的图像进行备份，以进一步检测人脸。人脸检测：服务器采用图像处理、特征匹配等人脸检测算法，实时检测门禁终端上传的视频图像。当检测到人脸图像时，首先对其进行预处理以消除对设备和各种条件的限制。随机干扰，例如光照问题和图像抖动问题，是导致图像不可用的直接原因，需要通过图像处理进行灰度校正和噪声过滤等图像预处理。图像预处理的目的是提取特征。人脸特征提取：对图像进行预处理后，下一步就是提取人脸特征信息，为下一步人脸识别做准备。人脸图像识别：核对人脸数据库，确定此人是否合适。如果是，返回开门信号开门。如果没有，它拒绝打开或关闭门。

４．基于深度学习的人脸识别算法实现本章结合前两章所介绍的技术内容，对本文课题进行设计和实现，并介绍相关设计思路，编译环境，具体实现代码等。4.1编译环境本文主要使用的语言为python3.8，编译软件为PyCharm，所使用的软件库主要有OpenCV4.0.1和TensorFlow2.5.0，下面将对这两个软件库进行简单介绍。4.1.1OpenCVOpenCV是一个基于BSD许可（开源）发行的跨平台计算机视觉和机器学习软件库，可以运行在Linux、Windows、Android和MacOS操作系统上。它轻量级而且高效——由一系列C函数和少量C++类构成，同时提供了Python、Ruby、MATLAB等语言的接口，实现了图像处理和计算机视觉方面的很多通用算法。OpenCV用C++语言编写，它具有C++，Python，Java和MATLAB接口，并支持Windows，Linux，Android和MacOS，OpenCV主要倾向于实时视觉应用，并在可用时利用MMX和SSE指令，如今也提供对于C#、Ch、Ruby，GO的支持。4.1.2TensorFlowTensorFlow是由GoogleBrain团队为深度神经网络（DNN）开发的功能强大的开源软件库，于2015年11月首次发布，在Apache2.x协议许可下可用。开源深度学习库TensorFlow允许将深度神经网络的计算部署到任意数量的CPU或GPU的服务器、PC或移动设备上，且只利用一个TensorFlowAPI。包括TensorFlow在内的大多数深度学习库能够自动求导、开源、支持多种CPU/GPU、拥有预训练模型，并支持常用的NN架构，如递归神经网络（RNN）、卷积神经网络（CNN）和深度置信网络（DBN）。4.2总体设计本文主要是基于深度学习的卷积神经网络实现人脸识别算法，主要思路是在摄像头画面中监测人脸并进行截图，将此截图进行统一格式大小等处理后制作数据集，分别作为训练集和测试集，然后构建卷积神经网络对此数据集进行循环训练，直到准确率达到标准，在完成训练后可以实时对摄像头画面内监测到的人脸进行识别，在识别成功后会将截取人脸时所输入的名字显示在画面内标记人脸的方框内。4.3具体实现按照总体设计的思路以及具体功能将代码分为四部分，分别为人脸捕捉，制作数据集，数据集训练，人脸识别。4.3.1人脸捕捉本部分主要通过调用OpenCV人脸识别分类器，从摄像头画面内监测是否有人脸出现，若检测到人脸则开始截取人脸，并按照该图片的参数确定其存放路径，最终截取200张图片作为训练样本，50张图片作为测试样本，保存在相应路径下。图4.1相关参数图4.2获取该张人脸的存放路径name'人名'num'第几张人脸'type'训练类型'return'存放路径'图4.3获取人脸坐标图4.4识别人脸并保存图4.5创建/清空目标文件夹图4.6从摄像头捕捉人脸并保存为训练/测试样本4.3.2制作数据集本部分主要将上一部分保存的样本图片按图片所属人名提取按照指定大小调整尺寸，之后将图片转为四维矩阵，作为数据集保存起来，同时打印名称字典，以作对照。图4.7相关参数图4.8按照指定图像大小调整尺寸图4.9读取人脸图4.10读取脸部图片，返回图片数组和标签数组图4.11获取目标文件夹的训练/测试数据目录图4.12获取名称列表图4.13读取数据集图4.14保存数据集图4.15保存字典图4.16读取字典图4.17制作数据集4.3.3数据集训练本部分主要目标是要建立一个简单的卷积神经网络来对上一部分制作的数据集进行训练，本部分所建立的卷积神经网络有三个卷积层，卷积层采用零填充，每次卷积后进行一次池化操作，并有一个dropout处理用以防止过拟合问题，以及一个全连接层和输出层，在训练过程中每次训练结束时都会输出准确率和损失函数的值。图4.18相关参数图4.19读取字典图4.20读取数据集图4.21定义Weight变量图4.22定义biase变量图4.23定义卷积操作图4.24定义池化操作图4.25创建卷积层图4.26开始训练模型4.3.