摘 要

由于各种姿态、光照和遮挡的多重原因的影响，在无约束环境下的人脸定位、检测和识别是一项十分不易而且极其具有挑战的工作。本文主要研究了一个卷积神经网络深度级联多任务框架，利用了检测工作和对齐任务二者之间的存在的内在相关性来提高它们的性能。本文研究的工作是，人脸识别系统框架包含了一个级联架构，经由认真设计的三个阶段的深度卷积神经网络，从粗略到精细地预测人脸和地标位置，同时保持了实时性能，最后设计并完成了一个具有较高识别率的人脸识别系统。

本文研究内容如下：

（1）完成了基于BP神经网络的人脸识别系统的总体设计。在分析了前馈型神经网络基本结构的基础上，完成了BP神经网络的MATLAB建模和误差分析，完成了基于BP神经网络的人脸识别系统的设计。

（2）完成了多任务卷积神经网络的建模和算法分析。实现了多任务卷积神经网络的结构分析及设计，在此基础上完成了检测网络算法的流程，并进行了人脸检测和人脸识别的测试。

（3）完成了基于MTCNN的人脸识别系统的设计。使用Python编程方法实现了实时的人脸识别系统的构建，完成了多任务卷积神经网络和BP神经网络两种人脸识别系统的比较。

关键词：人脸识别；BP神经网络；卷积神经网络；MTCNN算法；人脸对齐

Abstract

It is a very difficult and extremely challenging task to detect and recognize face position in an unconstrained environment due to the multiple causes of various poses, illuminations and occlusions. This paper mainly studies a convolutional neural network depth cascading multitasking framework, which utilizes the inherent correlation between the detection work and the alignment task to improve their performance. The work of this paper is that the face recognition system framework includes a cascaded architecture that predicts face and landmark locations from coarse to fine, through a carefully designed three-stage deep convolutional neural network, while maintaining real-time performance. Finally, a face recognition system with high recognition rate was designed and completed.

The research content of this paper is as follows:

(1) Completed the overall design of the face recognition system based on BP neural network. Based on the analysis of the basic structure of feedforward neural network, the MATLAB modeling and error analysis of BP neural network are completed, and the design of face recognition system based on BP neural network is completed.

(2) Completion of modeling and algorithm analysis of multi-task convolutional neural networks. The structure analysis and design of multi-task convolutional neural network are realized. On this basis, the flow of detecting network algorithm is completed, and face detection and face recognition are tested.

(3) Completed the design of the face recognition system based on MTCNN. The real-time face recognition system is constructed by using Python programming method, and the comparison of multi-task convolutional neural network and BP neural network face recognition system is completed.

Key Words：Face recognition; BP neural network; Convolutional neural network; MTCNN algorithm; Face alignment

目 录

第1章 绪论 1

1.1 人脸识别研究目的及意义 1

1.2 国内外发展与研究现状 1

1.3 本文研究的主要工作思路及章节安排 3

第2章 前馈型神经网络模型分析及构建 5

2.1 单层前馈型神经网络分析 5

2.2 BP神经网络模型构建 6

2.3 基于BP神经网络的人脸识别系统 8

2.3.1 BP神经网络算法分析 8

2.3.2 BP网络人脸识别系统测试 9

2.4 本章小结 10

第3章 多任务卷积神经网络总体设计 11

3.1 卷积神经网络模型构建与设计 11

3.1.1 卷积层 12

3.1.2 池化层 13

3.1.3 全连接层 13

3.2 多任务卷积神经网络结构设计 14

3.2.1 Proposal Network 14

3.2.2 Refine Network 15

3.2.3 Output Network 16

3.3 基于MTCNN网络算法设计 16

3.3.1 First stage算法分析 16

3.3.2 Second stage算法分析 17

3.3.3 Third stage算法分析 17

3.3.4 非极大值抑制算法分析 17

3.4 检测与识别功能测试与分析 18

3.4.1 人脸检测方法测试与分析 18

3.4.2 人脸识别方法测试与分析 18

3.5 本章小结 19

第4章 MTCNN人脸识别系统总体设计与实现 20

4.1 人脸识别系统功能设计 20

4.2 识别系统窗口设计与实现 20

4.3 人脸识别系统测试与实验对比分析 22

4.3.1 错误图片输入测试 22

4.3.2 单人人脸识别测试 23

4.3.3 多人人脸识别测试 24

4.3.4 测试结果对比分析 25

4.4 本章小结 25

第5章 总结与展望 26

5.1 论文工作总结 26

5.2 进一步研究展望 26

致谢 28

参考文献 29

绪 论

人脸识别研究目的及意义

人脸识别技术是在目前社会生活中许许多多的依靠生物特征识别技术的一个重要手段。其具备着非侵犯性的优良特点，不会要求被识别者主动配合，采集人脸方便等优点。其与传统的生物识别技术相比较，拥有其特定的便利性、稳定性和唯一性的优良特点，而且人脸识别系统所需硬件的造价成本相比更加低廉，多种因素的共同作用使其能够在很多场合下进行大规模应用^[1]。近年来，由于科学技术的水平越来越高、发展越来越迅速，人脸识别的研究也逐渐地实现并应用于生活的各个领域之中。在人脸识别技术的普及范围日益扩大的时候，国内的各大互联网公司也随之开始逐步参与到人脸识别技术的开发研究与实际应用中。从人脸识别技术开始起步到最近的研究阶段为止，依然存在很多的不可避免的问题^[2]。诚然人脸识别技术在现如今的社会上与生活中拥有非常广泛的应用前景，可是其与指纹识别、视网膜识别技术等依旧有很大的差距，主要表现在识别率不高，以及在防伪性能不明显等。然而随着对识别精度要求的日益提高，传统的人脸识别技术已经无法满足人们要求准确辨别人脸详细特征的目的，目前需要更加新颖的更加能满足人们迫切要求的人脸识别算法^[3]。

在现在的技术水平下，影响人脸识别效果的原因可能会同时出现很多种情况，或多或少地都具有许多的不确定性，这些不确定性会对识别结果产生不可预知的影响，其中的很大一部分是几乎无法避免的，比如光的方向和强度等^[4]。由于在进行实际的人脸识别的过程中很容易产生上述的多样化的问题，因此当这些因素或多或少地叠加到一起并且共同对人脸识别结果产生影响的时候，情形就会显得越发复杂，尤其是当人脸识别系统真正应用于真正的生产及生活过程中时^[5]。