基于CNN、Opencv、tensorboard的人脸识别

1. 系统开发环境

2.1系统开发环境

2.1.1硬件

1. CUP: INTEL CORE I7-6500U
2. GPU: NVIDIA GeForce 940M
3. 内存：8G
4. 硬盘：PCIE SSD 256G

2.1.2软件

1. Python 3.5

2.2系统使用工具

集成开发环境（Anaconda或IDLE)

插件：

1. opencv3.4.3
2. numpy1.14.6
3. keras2.2.4
4. Tensorflow cpu1.11.0
5. sklearn0.20.
6. 人脸识别技术

7. 3.1获取人脸数据

   首先通过opencv打开摄像头，获取视频流，得到一帧一帧的图片，用opencv自带的人脸识别分类器haarcascade_frontalface_alt2检测出每帧人脸的部分，并保存。将获取的每帧图片压缩成64*64的，并灰度化。

   3.2图像预处理

   3.2.1划分数据集

   按照交叉验证的原则将数据集划分成三部分：训练集、验证集、测试集；交叉验证属于机器学习中常用的精度测试方法，它的目的是提升模型的可靠和稳定性。我们会拿出大部分数据用于模型训练，小部分数据用于对训练后的模型验证，验证结果会与验证集真实值（即标签值）比较并计算出差平方和，此项工作重复进行，直至所有验证结果与真实值相同，交叉验证结束，模型交付使用。在这里我们导入了sklearn库的交叉验证模块，利用函数train_test_split()来划分训练集和验证集。train_test_split()会根据test_size参数按比例划分数据集，在这里我们划分出了30%的数据用于验证，70%用于训练模型。参数random_state用于指定一个随机数种子，从全部数据中随机选取数据建立训练集和验证集，所以你将会看到每次训练的结果都会稍有不同。测试集也调用了这个函数。

   3.2.2改变图像数据维度

   按照keras库运行的后端系统要求改变图像数据的维度顺序；因为keras建立在tensorflow或theano基础上，换句话说，keras的后端系统可以是tensorflow也可以是theano。后端系统决定了图像数据输入CNN网络时的维度顺序，tensorflow的维度顺序为行数(rows)、列数(cols)、通道数(颜色通道，channels)；theano则是通道数、行数、列数。所以，我们通过调用image_dim_ordering()函数来确定后端系统的类型（th’代表theano，'tf'代表tensorflow），然后我们再通过numpy提供的reshape()函数重新调整数组维度。

   3.2.3 one-hot编码

   将数据标签进行one-hot编码，使其向量化，对标签集进行one-hot编码的原因是我们的训练模型采用categorical_crossentropy作为损失函数，这个函数要求标签集必须采用one-hot编码形式。因为one-hot编码采用状态寄存器的组织方式对状态进行编码，每个状态值对应一个寄存器位，且任意时刻，只有一位有效。对于我们的程序来说，我们类别状态只有两种（nb_classes = 2）：0和1，0代表我，1代表others。one-hot编码会提供两个寄存器位保存这两个状态，如果标签值为0，则编码后值为[1 0]，代表第一位有效；如果为1，则编码后值为[0 1]，代表第2为有效。换句话说，one-hot编码将数值变成了位置信息，使其向量化，这样更方便CNN操作。

   3.2.4归一化图像数据

   数据集先浮点后归一化的目的是提升网络收敛速度，减少训练时间，同时适应值域在（0,1）之间的激活函数，增大区分度。其实归一化有一个特别重要的原因是确保特征值权重一致。举个例子，我们使用mse这样的均方误差函数时，大的特征数值比如(5000-1000)2与小的特征值(3-1)2相加再求平均得到的误差值，显然大值对误差值的影响最大，但大部分情况下，特征值的权重应该是一样的，只是因为单位不同才导致数值相差甚大。因此，我们提前对特征数据做归一化处理，以解决此类问题。

   3.3构建卷积神经网络

   3.3.1卷积神经网络结构

   本实验的其中一层卷积神经网络的结构如图：

    

    

   本程序的神经网络包含的结构如下：

8. 3个卷积层
9. 2个池化层
10. 3个激活函数层
11. 3个Dropout层
12. 2个全连接层
13. 1个Flatten层
14. 1个分类层
15. 8,389,120个训练参数