摘 要

科技飞速发展，智能人脸检测识别已经走进了人们的视野。传统的人脸检测和识别算法，易受到外界环境和各种干扰因素影响，经常带来不可控的误差。因此，本文在考虑干扰因素的前提下，目的是设计出人脸检测能力和人脸识别的准确率更高的人脸检测识别系统。

本文中进行的主要工作，是在卷积神经网络模型的基础上，使用多级联CNN即MTCNN模型完成人脸检测，再用FaceNet进行人脸识别。具体工作是，使用MTCNN模型，从待处理图像中提取出FacenNet所需求的人脸信息。再将处理剪裁好的图像信息使用FACENET进行特征提取，计算得出数值embedding，再通过比该数据完成最终的人脸识别。由此构建出一个完整的人脸识别和检测系统。

为了验证该系统的可行性和准确率，本文中使用了美国公开的人脸样本数据集LFW。这个数据集中的人脸多种多样，符合现实中复杂的人脸数据情况。

通过实验，我发现Facenet模型的训练效果不错。首先，我使用了一张LFW数据集中没有的网络照片进行测试，成功将陌生照片中的人脸成功检测识别出来,完成了人脸检测识别的过程。证明了本系统的可行性。其次，为了继续验证本系统的准确率，我使用向量机SVW训练，对423组人脸照片进行训练测试，得出结论：本系统识别准确率高达97.8%。

实验结果证明：本文中提出并设计的基于MTCNN的人脸检测识别系统，是一种可行并且准确率较高的人脸识别检测系统。

关键词：人脸识别; MTCNN; Facenet；LFW；

Abstract

With the rapid development of science and technology, intelligent face detection and recognition has come into people's field of vision. Traditional face detection and recognition algorithms are easily affected by external environment and various interference factors, which often bring uncontrollable errors. Therefore, under the premise of considering the interference factors, this paper aims to design a face detection and recognition system with higher face detection ability and face recognition accuracy.

The main work carried out in this paper is to complete face detection using multi-stage CNN or MTCNN model on the basis of the convolutional neural network model, and then face recognition using FaceNet. The concrete work is to use MTCNN model to extract face information required by FacenNet from the image to be processed. Feature extraction with FACENET will be realized for the tailored image information, and the final face recognition will be realized through embedding calculation. A complete face recognition and detection system is constructed.

In order to verify the feasibility and accuracy of the system, this paper USES the American public face sample data set LFW. This dataset has a variety of faces, which is consistent with the complex face data in reality.

Through experiments, I found that the Facenet model has a good training effect. First of all, I used a network photo that was not in the LFW data set for testing, and successfully detected and recognized faces in unfamiliar photos, completing the process of face detection and recognition. The feasibility of this system is proved. Secondly, in order to continue to verify the accuracy of this system, I used SVW training of vector machine to train and test 423 groups of face photos, and reached the conclusion that the recognition accuracy of this system was as high as 97.8%.

Experimental results show that the face detection and recognition system based on MTCNN proposed and designed in this paper is a feasible and accurate face detection system.

Key Words: face recognition; MTCNN; Facenet；LFW

目 录

摘 要 I

Abstract II

目 录 1

1绪论 3

1.1 研究背景 3

1.2 国内外研究现状及存在问题 4

1.2.1 国内外研究现状 4

1.2.2 人脸识别存在的问题 5

1.3 研究的内容和结构安排 6

1.3.1 研究内容 6

1.3.2 本文结构安排 6

2 相关理论及基础知识 7

2.1 深度学习 7

2.2 人工神经网络的研究：深度学习 8

2.3 卷积神经网络的相关知识 9

2.31 卷积神经网络模型 9

2.3.2 卷积神经网络经典模型 10

2.4 本章小结 11

3 人脸识别技术介绍 12

3.1 人脸识别技术方法 12

3.1.1基于模型的方法 12

3.1.2基于学习的方法 12

3.1.3 基于特征的方法 12

3.2 人脸识别流程介绍 13

3.2.1图像数据 13

3.2.2 人脸检测 14

3.2.3 获取特征 14

3.2.3 数据处理 15

3.3 本章小结 16

4.人脸识别中的系统框架设计 17

4.1基于MTCNN的人脸检测 17

4.2基于Facenet的特征提取 19

5.1实现人脸识别系统 21

5.1系统的总体设计 21

5.2 人脸检测模块 22

5.2.1 使用LFW数据集 22

5.2.2 构建MTCNN模型检测人脸位置 23

5.2.3 对脸框进行图像处理 23

5.2.4 人脸检测模块测试 25

5.3 人脸特征提取模块 26

5.3.1把人脸转换为facenet的人脸特征向量 26

5.3.2处理embedding 数据 27

5.3.3 支持向量机SVW的训练测试结果 27

5.4 完整系统最终测试展示 28

6 总结与展望 31

6.1总结 31

6.2展望 31

参考文献 32

致 谢 34

1绪论

1.1 研究背景

随着人类生活水平的提高和技术的快速创新，物质文明与精神文明不断提高的今天，人们对社会公共安全和自身安全，尤其是信息安全的重视程度不断提高。传统的身份识别手段，如密码，芯片，证件识别等，都不同程度的存在因易丢失、忘记、盗用、流程繁琐的缺点。传统身份识别手段，越来越难以满足当今社会的人们对于人身安全与信息安全的需求。因此，具有安全性、稳定性、简易性这些优势的生物特征识别的验证方式引起了国内外研究人员的广泛关注，同时也逐渐成为各个国家不断研究突破的技术和发展的产业，而生物特征主要包括人脸、指纹、瞳孔、声纹、乃至基因等。

人脸识别和其他生物特征相比，在识别认证方面有自己独特的优势之处。例如，当人的指纹因为劳动等因素出现破损，指纹识别就会失灵；如果是盲人或有眼科疾病的人，虹膜识别遍无法进行；人如果声带过劳，沙哑变音，此时依靠声音的特征识别也不准了。