1. 研究目的与意义（文献综述）

随着信息技术的发展、融入日常生活，信息安全鉴定显得越来越重要，而其中人脸识别是对通过人脸进行身份确认或者身份鉴别的技术，是一项热门的计算机技术研究领域，它属于生物特征识别技术。人脸识别能够准确、有效的识别人的身份，极大提升了信息安全，也使人们的生活更加便捷。因此广泛应用于金融、司法、军队、教育等人类生活的各个领域，常见的有门禁系统、摄像监视系统、智能手机、相机等等。

传统的人脸识别方法有很多，有基于模板匹配的方法，将人脸图像与数据库中的模板匹配找到最相似的模板；基于几何特征的方法，将面部器官的形状及其位置进行检测比较，实现识别；基于代数分析的方法，例如主成份分析法(pca)、线性判别分析法（pda）、隐马尔科夫法（hmm）等；基于稀疏表示的人脸识别方法，例如mpr,src算法等；然而，姿态、光照、遮挡及表情的变化这些因素的影响使得传统人脸识别方法的精度难以提高。

随着认知科学和脑科学的发展，人们模拟人脑分层特征表达结构，提出了神经网络并在其基础上进一步提出了卷积神经网络（cnn），它被引入人脸识别领域，cnn采用非线性、错层网络结构，逐层提取人脸图像的特征并且该类方法提出的特征具有更强的抽象性和判别力，在互联网上海量人脸数据集的支撑下，借助图形处理器(gpu)组成的运算系统，基于深度学习的人脸识别已经在精度和速度上都已经超过传统的方法，甚至超过人类的辨识水平。

2. 研究的基本内容与方案

本课题主要研究基于深度学习的人脸识别，该课题以图像处理和深度学习技术为基础，着重研究一下几个问题：
（1）深度学习的工作原理、常用的网络类型以及训练方法。
本文将介绍几种深度学习的网络类型，不同的网络类型的特点；对神经网络基本的组成单元，神经元的作用和原理进行分析，并且比较应用不同函数的神经元的基本性能；不同的网络参数，将影响训练的速度以及网络的预测精度，通过比较选择较好的参数组合来提高网络的性能；训练时容易使网络过于适应数据集而对测试集的判断不是那么准确，这种现象叫做过拟合，本文提出方法解决训练的过拟合问题。
（2）基于深度学习的人脸特征提取。
人脸识别也是一个对人脸进行分类的过程，然而纯粹的二维或者三维的图像数据并不能表示将人脸的类别区分开，所以我们必须出图像中提取出区分图像类别的特征来表示特定的图像。本文将提出基于深度学习的特征提取的方法。
（3）特征匹配算法
人脸的特征提取出来后需要将他的特征和某一类别的特征进行匹配来检验某个图像是否属于特定的类。这一过程需要用到特征匹配的算法，也成为特征分类的算法，是人脸识别中的最后一步。本文将介绍特征对比匹配过程并选择一种高效的算法来构建网络。
（4）实现一个基于深度学习的人脸识别系统

在介绍了神经网络的模型，图像特征提取的方法、特征匹配的算法后，本文最后将搭建一个人脸识别系统，在分别在训练数据集和测试数据集上面进行训练和预测，最后得出识别效果。

本文研究的基本目标是介绍深度学习神经网络，介绍神经网络的训练方法、和优化方法，包括损失函数、神经元激活函数的选择，减弱过拟合现象的措施。采用深度学习卷积神经网络对人脸图像进行特征提取，并比较不同结构网络的不同的特征提取方法；讨论、比较特征匹配算法并采用匹配算法对人脸进行分类，最后搭建出人脸识别系统在特定的数据集上面训练和测试。

3. 研究计划与安排

第一至第二周：查阅设计题目的相关资料；
第三至第四周：撰写开题报告，翻译英文资料；
第五至第六周：掌握opencv和一种深度学习工具库，如tensorflow，的使用方法；
第七至第八周：深入学习深度学习的原理以及其中常见的神经网络类型；
第九至第十周：对于人脸识别的特征提取，对比研究传统的方法和基于深度学习的方法，比较二者的优劣；
第十一至第十二周：研究特征对比匹配过程，寻找一种高效的特征匹配算法；
第十三至第十四周：实现一个人脸识别系统，使之同时具有较高的识别正确率与速度；
第十五至十六周：撰写毕业设计论文。

第十七周：毕业答辩。

4. 参考文献（12篇以上）

[1] goodfellow i, bengio y, courville a. deep learning[m]. mit press, 2016.

[2]nielsen m a. neural networks and deep learning[j]. 2015.

[3] c. szegedy, w. liu, y. jia, p. sermanet, s. reed, d. anguelov, d. erhan, v. vanhoucke, and a. rabinovich. going deeper with convolutions. in proceedings of the ieee conference on computer vision and pattern recognition, pages 1–9, 2015