【《基于深度残差网络的人脸识别算法实验与结果分析案例》1800字】

基于深度残差网络的人脸识别算法实验与结果分析案例目录TOC\o"1-3"\h\u5662基于深度残差网络的人脸识别算法实验与结果分析案例 1191231.1实验设计 1109501.1.1实验环境 1121031.1.2实验内容 164051.2实验结果 214661.3分析与结论 51.1实验设计1.1.1实验环境 实验内容在MATLAB环境下完成，主要软硬件环境如下表4-1所示。表4-1实验的软硬件环境配置名称配置说明CPUInter(R)Core(TM)i7-7500CPU@2.70Hz2.90HzGPUNVIDIAGeForce940MX操作系统Windows1064位实验环境MATLABR2019b1.1.2实验内容在本章的实验中，我们使用了MATLAB自带的深度学习工具箱，将预训练好的Resnet50网络模型加载进来。将原始的人脸数据集按7:3划分为训练数据集与测试数据集，加载预训练好的Resnet50网络模型，通过将网络前十层的学习率设置为0以达到冻结网络的初始权重的目的，对网络最后的全连接层进行修改使之符合需要，重新连接网络并进行网络训练。通过对数据集中图像在水平方向翻转，平移和缩放等处理来进行数据增强，减少在训练过程中出现过拟合的概率。在训练过程中根据训练效果调整参数，以期达到一个较好的学习效果。最后在测试集验证图像及预测的标签的识别准确率。实验通过将前期获取的人脸数据集输入到网络模型中进行训练，实现了简单的人脸识别，验证了实验的有效性。通过对实验结果进行分析比对，模型在自采集的人脸数据库上有较为良好的人脸识别表现，其准确率达到了99.37%，在其他几个人脸数据集上，如ORL人脸数据集和CASIA-Webface人脸数据集等进行训练，也分别取得了95.00%和86.44%识别准确率。1.2实验结果 首先在自己创建的自采集人脸数据集上进行测试，其中包含5个人脸，500张左右的人脸图像样本，构建了一个小的数据集。获取训练数据后，调用网络进行训练，输入为500张带标签的图片集，按7：3随机划分为训练集以及测试集，指定训练轮数和小批量大小，每轮计算一次验证其准确度，最终结果可以达到一个较高的识别准确率，达到了99.37%，如图4-1和图4-2所示。图4-1在自采集人脸数据集上的识别准确度曲线图4-2在自采集人脸数据集上的损失函数曲线 考虑到用摄像头自采集的人脸数据集存在着诸多不足之处，不能完全反应出网络模型识别准确率的普遍性，实验后续采用了几个公开人脸数据集进行测试。LFW人脸数据集是人脸识别领域中较为常用的一个数据集，它是由美国马萨诸塞州立大学阿默斯特分校计算机视觉实验室整理完成的一个人脸数据库，主要用于研究非受限情况下的人脸识别问题。由于其中的人脸图片均来源于生活当中的自然场景，由于光照、表情、多姿态等因素影响，识别难度会增大。LFW数据集共有13233张人脸图像，每张图像均给出对应的人名，一共5749人，绝大部分人只有一张图片。将数据集替换为LFW人脸数据集，重新对网络进行训练。在训练完成后，得到的效果并不是很理想，只有46.59%的准确率，如图4-3和图4-4所示。分析原因是因为LFW人脸数据集中大部分人脸只有一个样本，因而识别的准确率不高。为提高识别准确率，需要对该数据集进行处理，剔除样本过少的人脸图像，保留具有较多样本的人脸图像，才能作为数据集使用，为此我们选择使用人脸图像样本分布更均匀的数据集。图4-3在LFW数据集上的识别准确度曲线图4-4在LFW数据集上的损失函数曲线ORL人脸数据集共包含40个不同人的400张图像，是在1992年4月至1994年4月期间由英国剑桥的Olivetti研究实验室创建的。其中每个人脸图像有十个样本，分布平均，是比较理想的数据集。将数据集替换为ORL人脸数据集，然后重新训练网络。训练完成后，识别准确率达到了95.00%，如图4-5和图4-6所示。图4-5在ORL人脸数据集上的识别准确度曲线图4-6在ORL人脸数据集上的损失函数曲线CASIA-WebFace数据集包含了10575个人的494414张图像，是国内人脸识别届颇具盛名的人脸训练集之一。其数据库里面包含了10000个人，一共50万张人脸图片。实验从CASIA-WebFace人脸数据集中选取15个人的人脸图像。将数据集进行替换，然后重新训练网络。训练完成后，识别准确率为87.10%，分析原因是因为数据集中的人脸样本多为姿态不好的人脸图像，因而识别准确率有所下降，如图4-7和图4-8所示。图4-7在CASIA-WebFace人脸数据集上的识别准确度曲线图4-8在CASIA-WebFace人脸数据集上的损失函数曲线1.3分析与结论由本章实验结果可知，实验中网络在小数据集上表现较为良好，但在较大的数据集上表现一般，且要求数据集中各人脸样本分布较为均匀。通过对在不同数据集上的表现进行对比，结果如表4-2所示，可知所采用的神经网络结构仍有优化的余地。且在训练过程中由于训练轮数，学习率的设定等，出现了过拟合现象，后通过调整参数使问题得到了解决。在不同数据