全文总字数：2440字

1. 研究目的与意义及国内外研究现状

深度学习因为其擅长处理大数据而成为当下机器学习中最火的学习方式之一，其中卷积神经网络在计算机视觉方面有着广泛的应用，从山川河流到数字人脸，卷积神经网络都能担当一个很好的学习工具。

因此，在本设计选择使用深度学习作为媒介来进行人脸识别。

人脸识别的前提是人脸的检测，目的是为了提取特征而创立训练集，因而本设计选择了ert与haar两种人脸检测方式来选择对比，选择最佳的人脸检测方式来送入卷积神经网络。

2. 研究的基本内容

本文将针对以下三点进行研究：人脸的检测，人脸模型的训练，人脸的识别。

这三点构成了整个研究的内容。

其中，人脸的检测部分，本文将会对比两种当下比较流行的算法进行比对，即ert算法和haar分类器的详细对比，从理论方面对算法进行彻底的解析，再对两种算法用分类器来训练多个图片集，包括分类器的原理和分类方式以及分类器在图片上面运用的具体方式，通过详细的案例图来展示每一种算法在不同的情况下所呈现出的不同的状态的实验图进行综合的比对，然后依据这两种算法的利弊来衡量哪一个算法更加适合本文人脸识别的全部过程。

3. 实施方案、进度安排及预期效果

实施方案：在使用HAAR与ERT分别进行人脸检测后，开始对两种算法进行对比。首先预计使用20组图片进行比对，包括包含一张人脸、多张人脸以及复包含杂背景和特殊大小的人脸的照片在两种算法下的人脸检测结果；除此之外还需任意100张照片中人脸检测识别率的高低，从而选取最佳的特征提取器；特征提取器提取出完整的训练集与陌生人脸集送入卷积神经网络，其中的训练集与陌生人脸集应当都在10000张左右。在送入神经网络后需要选择合适的优化器来让模型选联的过程更加顺畅；完成模型训练后预计可以成功识别人脸。

进度安排：1.2019年1月，学习python语言以及sklearn、tensorflow的应用。2.2019年2月，学习深度学习与人脸识别的基本方式，并且尝试用python写出卷积神经网络的训练代码。3. 2019年3月，预计完成人脸检测阶段，包括ERT与HAAR的学习以及比对，同时收集10000张人脸数据集与同等数量的陌生人脸集。

4.2019年4月，优化代码与训练集，完善卷积神经网络的代码，并且租用服务器以方便训练得出结果。

预期效果：最终的预期效果是1.成功的比对两种人脸检测方式并挑选最优的人脸特征提取器。2.在成功训练的前提下，能够成功的在照片、视频、和实时摄像头中识别出所训练的人物。

4. 参考文献

[1] viola p , jones m .rapid object detection using a boosted cascade of simple features[c]. ieeecomputer society, 2001.

[2] dalal, navneet,triggs, et al. histograms of oriented gradients for human detection[c]// ieeecomputer society conference on computer vision pattern recognition. 2005.

[3] kazemi v , sullivan j. one millisecond face alignment with an ensemble of regression trees[c]// 2014ieee conference on computer vision and pattern recognition. ieee, 2014.