摘要
人脸识别技术是生物特征识别领域重要的研究方向。目前公开的人脸识别方法一般计算开销较大、训练过程复杂。为了降低人脸识别算法的复杂度，本文提出了一种基于轻量级卷积神经网络的人脸识别方法。首先，设计了WLayer加权卷积层，强化网络对重要信息的学习能力；其次，在传统瓶颈层中引入SE结构，进一步提高人脸识别网络精度；最后，结合WLayer和SE，实现了一种轻量级人脸识别网络WFaceNets。论文的主要工作如下： （1）基于WLayer加权卷积层的人脸识别方法。针对现有的轻量级卷积神经网络没有利用通道相关性的问题，设计了WLayer加权卷积层。首先，对输入信息的每个通道采取全局平均池化，将每个通道的信息抽象为一个数值，其次，利用两个标准卷积得到权重向量，该向量在训练过程中能自适应地调整各个通道的数值。最后，将Depthwise卷积层提取的通道特征信息加入权重向量项，让通道信息结合各通道的权重实现加权卷积。实验结果证明了WLayer加权卷积层在各种参数量的网络中都具有有效性。该方法能够利用通道间的相关性，强化网络对人脸重要信息的学习能力。 （2）基于SE瓶颈层的人脸识别方法。传统瓶颈层的提取特征操作是单通道间的特征提取，没有充分利用通道间相关性。SE瓶颈层的特征提取步骤会对整个输入特征进行操作，使该结构的感受野覆盖整个输入特征，能够给网络提供一种有益的语义补充，进一步提高网络精度。因此，可采用SE瓶颈层作为主要结构块来构建轻量级卷积神经网络。首先，采用标准卷积层和Depthwise卷积层构建网络的前两层，将输入图片映射到高维空间，准备后续瓶颈层的计算；其次，采用瓶颈层和SE瓶颈层构建主干网络，利用该结构对信息特征具有较好学习能力的优点，使网络快速准确地提取信息特征；最后，采用标准卷积和两个线性层将主干网络提取的信息特征投影为特征向量。实验结果表明，SE瓶颈层在包含较少卷积核数，和较少的瓶颈层的网络中改进效果一般；在卷积核数量多，瓶颈层数量多的网络中有较好的改进效果。 （3）基于结合WLayer和SE瓶颈层的人脸识别方法。为了解决在实验中由于网络训练数据集过少使得到的性能效果差的问题，本文结合WLayer和SE瓶颈层提出了卷积神经网络WFaceNets。并在训练样本较少，且不使用多种损失函数微调及知识蒸馏的前提下，从零开始训练网络。首先以CASIA-WebFace的494414张人脸图像作为训练数据集，对数据集样本像素值标准化处理，增强网络学习关键信息的能力；然后利用该训练数据集对提出的卷积神经网络进行训练；最后，同等条件下进行70次训练，取最优数据为结果。为了验证提出网络的精确性，将所得到的WFaceNets系列以116万参数和96万参数在LFW人脸识别测试集分别进行试验。实验结果表明，提出的网络达到99.35%，99.28%的准确率，具有更好的学习能力，能更准确地实现人脸识别。 （4）结合本文提出的人脸识别方法，设计并实现了人脸识别应用程序。介绍了实验环境配置方法，展示了应用程序的设计调试过程。应用程序具有图像采集，人脸注册，人脸识别，结果输出等功能。从应用实践角度证明了本文方法的可行性与实用性。
NETL