基于卷积神经网络结合SVM的人脸识别研究
《2024年基于深度学习的人脸识别方法研究综述》范文
《基于深度学习的人脸识别方法研究综述》篇一一、引言随着科技的进步，人脸识别技术已经成为了人工智能领域的研究热点。
基于深度学习的人脸识别方法以其高精度、高效率的特点，在众多领域得到了广泛应用。
本文旨在全面梳理和总结基于深度学习的人脸识别方法的研究现状、主要技术、应用领域及未来发展趋势。
二、人脸识别技术的发展历程人脸识别技术自诞生以来，经历了从传统的手工特征提取方法到基于深度学习方法的演变。
早期的人脸识别主要依靠人工设计的特征提取算法，如主成分分析（PCA）、线性判别分析（LDA）等。
随着深度学习技术的崛起，卷积神经网络（CNN）等人脸识别算法得到了广泛应用。
三、基于深度学习的人脸识别方法（一）深度卷积神经网络（Deep Convolutional Neural Network, DCNN）DCNN是目前应用最广泛的人脸识别方法之一。
通过训练大量的数据，DCNN可以自动学习和提取人脸特征，从而提高识别的准确性。
同时，DCNN具有较好的泛化能力，可以应对不同的人脸表情、光照、姿态等变化。
（二）深度学习与特征融合在人脸识别中，特征提取是关键的一步。
通过将深度学习与其他特征提取方法相结合，如基于局部二值模式（LBP）的特征提取方法，可以进一步提高人脸识别的准确性和鲁棒性。
此外，多模态特征融合技术也可以提高人脸识别的性能。
（三）基于深度学习的无约束人脸识别无约束人脸识别是近年来研究的热点。
由于实际应用中的人脸图像往往存在光照、姿态、表情等变化，因此基于深度学习的无约束人脸识别技术显得尤为重要。
该技术通过训练大量的无约束人脸数据，使得模型能够适应各种复杂的人脸变化。
四、主要技术应用领域（一）安防领域基于深度学习的人脸识别技术在安防领域得到了广泛应用。
例如，公安系统可以通过该技术对犯罪嫌疑人进行快速检索和比对，提高破案效率。
此外，该技术还可以应用于门禁系统、监控系统等场景。
（二）金融领域在金融领域，基于深度学习的人脸识别技术可以用于身份验证、支付等方面。
卷积神经网络在人脸识别中的应用研究
卷积神经网络在人脸识别中的应用研究近年来，随着计算机技术的不断发展，人工智能已经成为了科技领域的热门话题。
其中，卷积神经网络作为一种重要的人工智能技术，广泛应用于图像处理、语音识别和自然语言处理等领域。
本文将探讨卷积神经网络在人脸识别中的应用研究。
一、什么是卷积神经网络卷积神经网络（Convolutional Neural Network，CNN）是一种类似于人脑抽象处理的深度学习算法。
其基本结构包括卷积层、池化层和全连接层。
通过不断的迭代学习，CNN可以自动提取图像中的特征，并进行分类和识别等任务。
二、卷积神经网络在人脸识别中的应用在人脸识别领域，卷积神经网络被广泛应用于人脸检测、人脸对齐和人脸识别等任务。
其中最为常见的是人脸识别任务，其基本流程包括面部检测、面部对齐和特征提取三个步骤。
下面我们将逐一进行讲解。
1、面部检测面部检测的主要目的是从一张图片中找出人脸的位置。
这在人脸识别任务中非常重要。
因为如果不能确定人脸的位置，就无法进行后续的面部对齐和特征提取。
卷积神经网络可以通过训练，自动学习图片中的特征，从而自动检测出人脸的位置。
这种方法比传统的面部检测算法效果更加准确、稳定。
2、面部对齐面部对齐的目的是将不同角度、光照条件、表情的面部图像变换为同一个角度、同一尺寸的图片。
这是因为人脸识别基于的是面部特征，因此对面部的表现形式要求非常严格。
卷积神经网络可以通过学习样本数据中的变化规律，实现对于面部变形的适应。
这种方法可以更好的利用数据，提高面部对齐精度。
3、特征提取特征提取是人脸识别任务中最为关键的一步。
通过对面部图像进行卷积、池化、最大池化、激活等处理，卷积神经网络能够自动提取面部的特征，并生成对应的面部特征向量。
这种方法在与传统的提取特征方法相比，具有更高的准确率和鲁棒性。
三、卷积神经网络在人脸识别中的优势与传统的人脸识别方法相比，卷积神经网络在人脸识别中具有以下几点优势。
1、更好的表征能力卷积神经网络能够自动学习面部图像中的特征，并生成对应的特征向量。
基于深度学习的人脸识别技术
基于深度学习的人脸识别技术一、背景介绍人脸识别技术是一种现代化的信息技术，它在安防、智能家居、金融等方面得到了广泛应用。
人脸识别技术的发展历程可以追溯到上个世纪六十年代。
随着计算机的发展和人工智能技术的进步，人脸识别技术也在不断发展。
而基于深度学习的人脸识别技术是当前最先进的人脸识别技术，具有更高的准确性和鲁棒性。
二、基本原理基于深度学习的人脸识别技术的核心是卷积神经网络（Convolutional Neural Network，CNN）。
在人脸识别中，CNN主要实现了两个步骤：人脸检测和人脸识别。
1、人脸检测人脸检测是指在图像或视频流中，通过计算机算法和技术，自动或半自动地找出图像中包含的人脸并进行定位的过程。
在基于深度学习的人脸检测中，主要使用了区域卷积神经网络（Region-based Convolutional Neural Network，R-CNN）和快速区域卷积神经网络（Fast R-CNN）等方法。
2、人脸识别人脸识别是将图像中的人脸进行比对和匹配，从而确定这张人脸的身份的过程。
在基于深度学习的人脸识别中，主要使用了卷积神经网络和循环神经网络（Recurrent Neural Network，RNN）等方法。
三、应用场景基于深度学习的人脸识别技术已经广泛应用于安防、金融、智能家居等领域。
1、安防领域在安防领域中，基于深度学习的人脸识别技术可以实现人员进出监控、黑名单管理、犯罪现场侦查等功能，具有高效、准确、实时、智能的特点。
2、金融领域在金融领域中，基于深度学习的人脸识别技术可以实现账户认证、开户、支付等功能，具有高安全性、高便捷性的特点。
3、智能家居领域在智能家居领域中，基于深度学习的人脸识别技术可以实现人脸门禁、智能家电控制等功能，具有高度个性化、智能化和便捷性的特点。
四、发展前景基于深度学习的人脸识别技术在未来的发展中具有广阔的前景。
随着大数据和人工智能技术的不断发展，基于深度学习的人脸识别技术可以更好地满足实际场景的需求，并不断提高其准确性和鲁棒性。
基于卷积神经网络的人脸表情识别技术研究
基于卷积神经网络的人脸表情识别技术研究随着人工智能技术的发展，人脸识别技术也越来越成熟。
其中，人脸表情识别技术作为一种新兴的人脸识别技术，受到越来越多的关注。
人脸表情识别技术的基础是面部表情识别，即通过对面部表情的分析来识别人的情绪状态。
传统的面部表情识别方法主要基于面部特征点的跟踪以及人工特征提取，这种方法需要大量的人力和时间成本，且识别精度受到限制。
随着深度学习技术的发展，基于卷积神经网络（CNN）的人脸表情识别技术开始成熟。
卷积神经网络的优势在于其能够自动提取特征，对于人脸表情识别这种具有高度复杂性的问题，卷积神经网络的应用很有前景。
卷积神经网络是一种基于多层感知器的人工神经网络，其结构类似于生物神经网络。
CNN通过训练的方式来学习特征，首先在图像中提取出一些特征卷积核，再通过卷积、池化等操作，将图像的特征提取出来。
最后，通过全连接层将特征映射到具体的标签上。
在人脸表情识别技术中，最基础的任务就是将人脸图像区分为7种基本的情绪：快乐、悲伤、惊讶、恐惧、愤怒、厌恶和中性。
在卷积神经网络的应用中，人脸表情识别技术的实现主要分为以下几个步骤。
第一步是数据预处理。
数据预处理是人脸表情识别技术中非常关键的一步，其目的是将原始的图像数据转换为神经网络可以处理的数据格式。
在这一步中，主要需要进行的操作包括图像缩放、灰度化、归一化等。
第二步是数据增强。
数据增强是为了增加数据样本量，减少过拟合现象。
通过对原始数据进行旋转、翻转、加噪声等处理，可以得到更多的、更丰富的训练数据。
第三步是神经网络的搭建和训练。
基于卷积神经网络的人脸表情识别技术的搭建非常重要，其结构和参数的设置直接影响识别精度。
训练的过程是通过反向传播算法，不断调整神经网络的参数，以达到最佳的识别效果。
第四步是测试和优化。
在完成神经网络的训练之后，需要进行测试和优化。
通过对测试数据进行验证，可以得到模型的准确性和错误率等指标。
如果发现模型存在问题，需要进行优化调整，以提升识别精度。
卷积神经网络在人脸识别中的应用
卷积神经网络在人脸识别中的应用人脸识别作为一项重要的生物识别技术，被广泛应用于安全防护、人机交互、人脸搜索等领域。
而卷积神经网络（Convolutional Neural Network, CNN）作为一种有效的深度学习模型，已被证明在人脸识别中具有重要作用。
本文将探讨卷积神经网络在人脸识别中的应用，并分析其优势和挑战。
一、人脸识别的基本原理人脸识别系统一般包含两个主要步骤：预处理和特征提取与匹配。
预处理阶段主要包括人脸检测和人脸对齐，其目的是提取出图片中的人脸区域，并将其对齐到一个标准的位置和大小。
特征提取与匹配阶段则是使用某种算法将人脸的特征表示与数据库中的特征进行比对，从而实现对人脸的识别。
二、卷积神经网络在人脸识别中的应用卷积神经网络通过模拟人脑的视觉处理机制，可以有效地从原始图像中提取特征，并具备很强的图像分类和识别能力。
在人脸识别中，卷积神经网络常用于进行特征提取和特征匹配。
1. 特征提取在卷积神经网络中，通过多层卷积和池化操作，可以逐渐提取图像的局部特征，比如边缘、纹理等。
这些特征对于识别人脸的重要部分非常有用。
同时，通过卷积层的堆叠，网络可以学习到更高层次的特征表示，比如面部轮廓、眼睛、鼻子等特征。
这些特征的组合可以构成一个较为完整的人脸特征表示，从而有助于提高识别的准确性。
2. 特征匹配在得到人脸的特征表示后，卷积神经网络常用于进行特征匹配。
通常，将人脸特征与数据库中的特征进行比对，使用欧氏距离、余弦相似度等度量方法来计算它们之间的相似度。
相似度高的人脸特征对应的人脸图像即为匹配成功的结果。
卷积神经网络通过训练大量的人脸数据，可以学习到区分人脸特征的有效表达方式，从而提高识别的准确率和鲁棒性。
三、卷积神经网络在人脸识别中的优势卷积神经网络在人脸识别中具有以下优势：1. 大规模人脸数据集的支持：卷积神经网络需要大量的训练数据才能发挥其优势，而随着人脸数据库的不断增长，可用于训练的人脸数据也越来越多，这为卷积神经网络在人脸识别中的应用提供了有力支持。
基于神经网络的人脸识别算法研究
基于神经网络的人脸识别算法研究Introduction人脸识别算法是一种自动识别人脸的技术，该技术将人脸图像中的各种特征提取出来，并将其与数据库中的人脸特征进行匹配。
近年来，基于神经网络（包括卷积神经网络和循环神经网络）的人脸识别算法发展迅速，取得了令人瞩目的成果。
本文将探讨基于神经网络的人脸识别算法研究的相关内容。
I. 基础知识1. 人脸识别原理人脸识别算法的基本原理是将人脸图像中的各种特征提取出来，并将其与数据库中的人脸特征进行匹配。
通常，人脸识别算法包括以下步骤：①预处理：图片裁剪等方式对图像进行处理，提高图片质量。
②特征提取：从图像中提取出人脸的特征关键点，如鼻子、眼睛、口等等，用于分类和识别。
③特征匹配：将提取的特征点进行匹配，和数据库中的相似点进行比对。
2. 神经网络基础神经网络是一种人工智能算法，能够利用其自身的权值来自动分析数据，并从中学习如何处理信息。
包括循环神经网络和卷积神经网络两种。
II. 基于神经网络的人脸识别算法1. 循环神经网络（RNN）人脸识别算法循环神经网络是一种递归神经网络，可以用于对序列数据进行建模和分类。
它的主要特点是可以接受任意长度的输入序列，并输出相应的序列。
在人脸识别中，RNN可以利用不同时间段内的人脸图像序列，通过学习其动态特征，实现更加准确的人脸识别。
2. 卷积神经网络（CNN）人脸识别算法卷积神经网络是一种特殊的神经网络，主要应用于图像识别、语音识别等领域。
CNN的一般结构包含卷积层、池化层和全连接层。
在人脸识别中，CNN可以将人脸图像中的不同位置上的特征进行提取，并通过不断迭代优化，最终实现对人脸的准确识别。
III. 基于神经网络的人脸识别算法在实际应用中的研究基于神经网络的人脸识别算法在现实生活中已经得到了广泛的应用。
在金融领域，可以用于银行ATM自助服务中，确保只有合法用户才能进行取款操作。
在安防领域，可以用于智能门禁，只有识别出名单内的人员才能进入特定场所，从而提高了安全性。
基于卷积神经网络级联人脸关键点检测算法
基于卷积神经网络级联人脸关键点检测算法作者：黄仕豪来源：《电脑知识与技术》2020年第23期摘要：该文提出了一种基于级联卷积神经网络的人脸关键点检测算法，通过105000图片进行数据训练，之后根据另外不同于数据训练3043张，进行实验测试，最终发现该算法的定位准确率相比于很多目前的人脸识别系统有了长足的进步，并且使用级联的方式明显优于使用效果明显优于单卷积神经网络，另外虽然该算法在效率上有所下降，但是该算法配合GPU在处理一个人脸上的耗时基本在16毫秒以下，可以满足基本使用。
关键词：卷积神经网络级联;人脸关键点;检测算法中图分类号：TP3; ; ; ; 文献标识码：A文章编号：1009-3044（2020）23-0165-021 卷积神经网络介绍所谓的卷积神经网络，其实指的是在传统的人工神经网络之上搭建深度学习而产生的一种新型人工神经网络，该神经网络具有表征学习的能力，能够对于输入信息进行平移不变分类，目前该神经网络主要应用在图像识别，物体识别，行为认知，姿态估计，神经风格迁移，自然语言处理，物理学，大气科学等内容之上，本文所研究的卷积神经网络级联人脸关键点检测算法主要是图像识别领域的内容。
2 基于卷积神经网络级联人脸关键点检测算法介绍通过研究发现，使用单个卷积神经网络进行人脸关键点定位其精度方面与所达目标有一定的差距，因此本文所研究的人脸关键点定位算法主要基于卷积神经网络的级联方式进行，具体操作的逻辑为先输入整张人脸，之后根据输入的人脸进行缩放，本次算法缩放的单元大小为112*112，之后使用第一层卷积神经网络作为初步定位（包含1个卷积神经网络）使用，主要是用于定位关键点，包含了人的眼睛（2个点）鼻子，左右嘴角（2个点）共计5个点，之后在根据卷积神经网络所定为到的关键点计算出双眼中心到左右两侧嘴唇之间的距离，并将此距离缩放到48，在缩放完成之后，在对所呈现的图像进一步进行裁剪处理，以卷积神经网络所定位的关键点为中心裁剪出五个单元格为32*32大小的图像，第二层卷积神经网络（包含6个神经网络）则是完成人脸关键点的精确定位，主要是针对第一层所定为位置进行再次定位，具体是将采集到的32*32的图像（5个）再次进行关键点定位，该定位所得到的坐标相较于第一卷积神经网络所得到的关键点坐标要提升不少的精准度，其中level1中阐述的是第一个卷积神经网络的内容，包含Resize（缩放）两次，CNNF1（1次为第一个卷积神经网络的定位），level2为第二个卷积神经网络的定位，最终根据这两次定位输出最终的关键点。
《2024年基于深度学习的人脸识别方法综述》范文
《基于深度学习的人脸识别方法综述》篇一一、引言随着人工智能技术的飞速发展，人脸识别技术已成为当今社会关注的热点。
作为计算机视觉领域的重要分支，人脸识别技术在安全监控、身份认证、智能交互等多个领域得到了广泛应用。
深度学习技术的出现为人脸识别提供了新的解决方案，使得人脸识别的准确性和效率得到了显著提升。
本文旨在综述基于深度学习的人脸识别方法，分析其原理、技术特点及发展趋势。
二、深度学习在人脸识别中的应用深度学习是一种模拟人脑神经网络结构的机器学习方法，通过构建多层神经网络来提取数据的深层特征。
在人脸识别领域，深度学习主要应用于特征提取和分类识别两个阶段。
1. 特征提取特征提取是人脸识别的关键步骤，其目的是从原始图像中提取出能够表征人脸特征的有效信息。
深度学习通过构建卷积神经网络（CNN）等模型，自动学习从原始图像中提取出高维度的特征表示，这些特征对于人脸识别任务具有较好的鲁棒性和区分性。
2. 分类识别分类识别是利用已提取的特征进行人脸匹配和识别的过程。
深度学习通过构建全连接层、支持向量机（SVM）等模型，对提取的特征进行分类和识别。
在人脸识别任务中，深度学习可以有效地提高识别的准确性和效率。
三、基于深度学习的人脸识别方法基于深度学习的人脸识别方法主要包括基于深度神经网络的人脸识别方法和基于深度学习的三维人脸识别方法。
1. 基于深度神经网络的人脸识别方法该方法通过构建多层神经网络模型，对人脸图像进行特征提取和分类识别。
常见的模型包括卷积神经网络（CNN）、深度置信网络（DBN）等。
这些模型能够自动学习和提取出高维度的特征表示，提高了人脸识别的准确性和鲁棒性。
2. 基于深度学习的三维人脸识别方法该方法利用三维信息来提高人脸识别的准确性和鲁棒性。
通过构建三维模型来获取人脸的立体信息，再结合深度学习技术进行特征提取和分类识别。
这种方法对于姿态变化、表情变化等复杂场景具有较好的适应性和鲁棒性。
四、技术特点及发展趋势基于深度学习的人脸识别方法具有以下技术特点：1. 高效性：深度学习能够自动学习和提取出高维度的特征表示，提高了人脸识别的效率和准确性。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
人工智能Artificial Intelligence基于卷积神经网络结合S V M的人脸识别研究黄超，薄华(上海海事大学信息工程学院，上海201306)摘要：提出了卷积神经网络与支持向量机结合的方法运用于遮挡人脸识别。
通过卷积神经网络的卷积、下采样和S o f t m a x的特征提取处理，由支持向量机完成后续的训练和识别。
利用A R人脸库进行实验，并和传统的人脸识别方法进行比较分析，实验结果表明本文的方法有更高的识别率。
关键词：卷积神经网络；支持向量机；人脸识别中图分类号：T P391 文献标识码：A D0I： 10. 19358/j.is s n. 1674-7720. 2017. 15. 016引用格式:黄超，薄华.基于卷积神经网络结合S V M的人脸识别研究[J].微型机与应用，2017,36(15):56-58,72.Study on face recognition based on CNN and SVMH u a n g C h a o，B o H u a(C olleg e o f In fo rm a tio n E n g in e e rin g，S hanghai M a ritim e U n iv e r s ity，S h a ng h ai201306，C h in a)A b s t r a c t:In th is p a p e r，a m e th o d c o m b in in g c o n v o lu tio n n e u ra l n e tw o rk and s u p p o rt v e c to r m a c h in e is prop o se d fo r T h ro u g h th e c o n v o lu tio n，d e c o n v o lu tio n a nd S oftm ax fe a tu re e x tra c tio n o f c o n v o lu tio n n e u ra l n e tw o rlc，th e tra in in g a nd re c o g n itio n are c o m p le te d b y s u p p o rt v e c to r m a c h in e. E x p e rim e n ts are c a rrie d o u t u s in g A R face database and co m p a re d w ith tra d itio n a l face re c o g n itio n m e th o ds. E x p e rim e n ta l re s u lts show th a t th e p roposed m e tlio d has h ig h e r re c o g n itio n ra te.K e y w o r d s：c o n v o lu tio n n e u ra l n e tw o rk;s u p p o rt v e c to r m a c h in e;face re c o g n itio n〇引言随着科学技术的发展，机器人的应用越来越广泛，人 机交互也变得十分重要。
人脸识别作为生物特征识别(虹膜识别、指纹识别、掌纹识别等）技术之一，由于具有 成本低、用户易接受、可靠性高等优点，在身份认证、安防 监控、人机交互等领域具有广泛的应用前景。
目前对于人 脸识别的技术已经展开了很多研究工作%1]。
过去许多年来，研究者们提出了很多人脸识别的算法，主要是提取人脸特征，特征提取在人脸识别中起到了关键的作用，影响着系统识别人脸的识别率。
人脸识别方 法有几何特征的方法、相关匹配的方法、子空间方法和统计识别的方法等[2]。
近几年来应用神经网络进行人脸识别非常流行，尤其是卷积神经网络。
卷积神经网络对图像 识别有很强的优势，支持向量机有很好的分类效果，在人 脸识别中也被广泛的运用%3]。
本文方法结合卷积神经网络和支持向量机对人脸进行识别。
首先，对人脸图像进行卷积和下采样处理，处理 后由支持向量机分类识别，最后使用A R人脸数据库进行 验证，识别出200张有遮挡的人脸图片。
1卷积神经网络（C N N)卷积神经网络是一类特殊的多层神经网络，与其他的 神经网络一样是用B P神经网络算法进行训练，只是用在卷积神经网络的结构有点不同。
卷积神经网络可以直接识别视觉图像，它进行像素图像的预处理，并具有鲁棒性和简单的几何变换。
卷积网络识别图像的传统步骤如图1所示。
通过将图像输入C N N网络，训练后，再分类识别得出结果。
图像采集类识别图1C N N识别图像的传统步骤卷积神经网络经典结构是L e N e t-5。
如图2所示。
L e N e t-5是L e C u n提出的一个应用在手写数字识别的神经 网络。
如图，其中处理层包含卷积层C1和C3,中间靠两 个下采样层S2和S4连接，最后是输出层。
C3 S4输入S2 F I电^出卷积下采样卷积下采样全注按图2 L e N e t-5经典结构卷积神经网络卷积层的每一个特征图是之前的特征图通过卷积核与滤波卷积和的结果，再增加偏置项应用于非线性函数。
输入的特征图的值如式（1)所示，通过训练调整；和T的值，找到最好的，再用已经训练好的特征图来识别其他的图片%4]。
56《微型机与应用》2017年第36卷第15期人工智能Artificial Intelligence6$,( #6_1x； + T)⑴i& M.其中，/(•)为激活函数，一般为sigm oid或者tanh;T为偏 置项。
上一层图的大小为卷积核为5X5,卷积后 的图大小为（1 - 5 \1)x(1 - 5 \1)。
下采样是为了达到空间不变性，通过采用减少特征图 的方法来对上一层特征图降维，下采样的形式如式(2)[5]: 6$/('d〇w n(6_1)& ^) (2)其中down(+ )为下采样函数，类似于卷积;;S为乘性偏 置;T为加性偏置。
特征图像在维度上进行了缩小，用5X5 大小的窗口进行采样，最后缩小的图像为（1/5) X (1/5)。
2支持向量机（S V M)支持向量机是AT&T B F1实验室的V.V a p n ik等人在1995年提出的算法。
支持向量机用于二分类寻找特征空间 上的间隔最大的线性分类器。
其原理示意如图3所示%&]。
本文使用的T V M是台湾林智仁（L in C h ih-;n)教授 开发设计的M A T L A B版L I B S V M 3.22。
L ib S V M[7]大规模 线性分类器，包含了单类支持向量机和用支持向量机实现 多类分类的功能，还包含交叉验证、用网格试算方法选择核函数参数的功能%8]。
3 本文算法（C N N +S V M)本文使用卷积神经网络和T V M结合的算法，如图4 所示。
这样的算法相比传统的遮挡人脸识别算法在识别率上有所提高，在后面的实验中将会验证。
本文算法其中 包含有卷积神经网络的卷积层、池化层、全连接层和S o ft-m a x。
本文使用 的卷积神经网络结构类似于L e N e t-5 结 构，其中分别有2个卷积层、2个下采样层和1个全连接 层，整个网络中的卷积层和下采样层交替运行，最后一个 下采样层与全连接层相连，全连接层再通过S o f t m a x分类 器到L i b S V M，最后进行训练和|图像采集测试并输出结果，具体结构如图 4 C丽结合LibSVM图5所示。
本文的工作流程如下：(1)样本输入卷积后生成卷积层1;(2) 卷积层1的图片下采样生成池化层1;(3) 重复上述过程生成卷积层2和池化层2;(4) 把池化层2的二维数据转变为一维，这一维为全《微型机与应用》2017年第36卷第15期池化层2 Softm ax回归层5x5卷积2x2采样5x5卷积2x2采样图5卷积神经网络加L ib S V M工作流程连接层；(5) 全连接层数据传给S o ftm a x;(6) 最后由L i b S V M训练以及分类识别测试图像。
4仿真实验4.1实验设定实验使用的是A R人脸数据库，如图6所示为数据库中的1个人的26张不同状态的人脸。
人脸库中有100个不同的人脸，有分男和女，有遮挡眼睛和嘴巴，有不同光照角度等不同状态。
每个人脸有26张不同状态的图，总共2 600张，本文把每个人脸中的24张为训练图和2张为测试图，总共有2 400张训练图和200张测试图，其中2张测试图为随机1张眼睛遮挡和1张嘴巴遮挡。
本文主要测试人脸遮挡情况下的人脸识别率。
图6 A R人脸数据库实验操作步骤：(1) 每张图原图为165 X 120,用M A T L A B命令ims i z e设置图片大小为28 x28，然后归一化处理。
(2) 卷积神经网络的卷积核设置为5 x5，采样大小2 x2(平均值下采样），经过2次卷积和2次下采样，最后输出4x4的特征图。
然后使其为16x1的全连接输入给S o ftm a x。
S o ftm a x输出结果输入给 L ib S V M。
(3)L i b S V M算法分类识别测试图像，直接识别出200张人脸遮挡图片分别为某人。
(4) 进行十折交叉验证，6张眼睛遮挡和6张嘴巴挡每个挑选一个做测试样本，剩下的都作为训练样本，一共是6次。
在无遮挡中挑选4次，总共进行10次上述步欢迎网上投稿www.p c a c hina. c om57Artificial Intelligence骤，最后求出平均识别率。
卷积时使用的卷积核是卷积神经网络训练好；值和T 值后的卷积核，其中不同的迭代次数有不同的；和T值，识别率也不同，本文用〇.12的学习率，分别迭代80次、100 次、200 次、500 次、1 000 次和 2 000 次。
4.2 实验结果实验结果如表1、表2所示。
表1算法识别率比较迭代次数/次C N N\ S V M识别率/%8064.5510082.6520096.8550097.85100098.352 00098.55表 2 C N N+S V M算法与其他算法识别率比较识别方法识别率/%PCA%9&85.53SVM%10 &87.1GSRC%10 &962DPCA%3&96.1CNN \SVM98.55(上接第55页）%5 &L iu D o n g x in，W u Z h ih a o,W u F a n,e t a l. C om p re ssive se nsin g based c o s te ffic ie n t in d o o r w h ite space e x p lo ra tio n%D &. S h a ngh a i K e y L a b o ra to ry o f S ca la b le C o m p u tin g a n d S y s te m s,S h a ngh a i Jiao T o n g U n iv e rs ity,2014.%6&X u L iw e n，H a o X ia o h o n g，L A N E N D，et a l. M o re w ith le s s: lo w e rin g u se r b u rd e n in m o b ile c ro w d s o u rc in g th ro u g h c o m p re ssive s e n s in g%D &. T s in g h u a U n iv e r s ity，B e ll L a b-s，2014.[7]路畅，刘玉红.压缩感知理论中的准则[J].自动化与仪器仪表，2015(8): 211-213.%8]周宇.基于压缩感知的图像重构方法研究％D].西安：西安 电子科技大学，2012.%9 &L I C Y，P E I X，Z H O W Y X，et a l. R o le o f the e x te n sive area o u ts id e the X-c e ll re c e p tiv e fie ld in b rig h tn e s s in fo rm a tio ntra n s m is s io n%J]. V is io n R e s e a rc h，1991，31 (9 ) $1529-1540.%10]R O D IE C K R W. Q u a n tita tiv e a n a ly s is o f ca t re tin a l g a n g lio nc c ll response to v is u a l s tim u li %J ]. V is io n R e s e a rc h，1965，5(11):538-601.%11]杨雪.基于视觉感知的图像显著区域的提取％ J].微型机与 应用，2015，34(2):47-48.%12]王延龙，吴青.视觉注意机制的计算模型及其应用研究％D].天津：河北工业大学，2010.584.3实验结论本文提出用卷积神经网络结合L ib S V M来分类识别A R人脸数据库的人脸，由表1结果可知，当迭代数増加，识别率也相应地提高，当迭代次数増加到一定数值时，识 别率提高效果不明显。