人脸作为人最明显的生物特征,相比于人的其他生物信息(虹膜、指纹等),在获取时具有更加便捷、安全、非接触、不会对人体产生任何伤害的特点,因此人脸特征被广泛用做人的身份识别。在实际的应用场景中,由于受到所处的环境、光照、姿态等因素的影响,训练出来的人脸识别的模型往往会出现比较高泛化误差。对于上述情况需要对人脸识别算法,针对特定的应用场景进行改进和优化,提高算法的鲁棒性。本文中首先对用到3个人脸数据集进行了预处理,然后对人脸识别算法都在网络结构和损失函数两方面做了改进,最后基于数据预处理后的人脸数据集和改进后人脸识别算法,设计和实现了人脸识别系统。数据预处理:深度学习是一个饥饿学习过程,在训练模型参数的时候需要给神经网络大量的数据,如果训练数据过少,训练出来的样本往往会出现过拟合的现象,直接导致训练出来的模型不能使用,因此数据往往是深度学习中最关键的部分。为了保证数据的多样性,提高模型的泛化能力,对论文中用到的三个人脸数据集CASIA-WebFace、LFW以及构建的人脸数据集,使用取镜像、裁剪等方式进行了数据集扩充,在增加数据样本的数量的同时,保证了数据集的多样性。然后对人脸数据集进行了数据清洗,剔除了数据集中错误的样本,保证了人脸数据集的质量,提高了模型的精确度。人脸识别算法改进:在损失函数的改进时,考虑到Softmax Loss+Center Loss损失函数在扩大类间间隔的同时又可以有效缩小类内距离,Focal Loss损失函数可以加强模型在训练过程中对困难样本的挖掘能力,从而可以有效提高模型的鲁棒性,从而保证了模型的精确度。因此本文基于Softmax Loss、Focal Loss和Center Loss设计了一个联合损失函数,用于改进原VGGNet在复杂人脸识别场景下的性能。在网络结构上FSC-VGG在每个卷积层中加入了BN层以及在全连接层中加入了DropOut正则化方法,提高了模型在训练过程中的收敛速度和泛化能力。使用CASIA-WebFace数据集作为训练集,LFW数据集作为测试集对FSC-VGG进行训练和测试。经过测试,FSC-VGG相比于原VGGNet在人脸识别的精确度上提高了1.14%。人脸识别系统设计:本文从导师的《可信大数据驱动的学生体质健康监测与管理平台关键技术研究》实际项目出发,设计了人脸识别系统。系统软件从算法上可以分为人脸检测和人脸识别两大部分,人脸检测算法是用来从输入的图片中检测出人脸,经过人脸检测算法会得到图片中人脸的具体位置,人脸识别算法会对人脸检测算法检测出的人脸进行身份的判断。最后通过测试验证了设计的人脸识别系统具有很好的稳定性。