（论文阅读）基于融合深度卷积神经网络的人脸识别方法研究-褚玉晓

一、基于融合深度卷积神经网络人脸识别方法设计

1、PCA算法提取人脸特征
主要成分分析法（Principal Component Analysis，PCA）
第一步，计算人脸图像的平均值并执行归一化的过程；
第二步，计算唯一值并计算特征峰值以及阈值数，然后按降序对计算出的特征值进行排序，在排序中需要删除较小的特征值来提取主成分；
第三步，使用 K 最近邻（K-Nearest Neighbor，KNN）方法找到最佳
匹配的数值样本。选取 PCA 进行实验的具体过程和公式如下：

2、激活神经网络函数
目前，具有激活特性的函数有两个，一个是 Sigmoid，另一个就是 tanh。该激活函数的功能可以理解为神经网络提供非线性计算方法。这两个函数还可以增强中心区域的信号，从而为图像的特征空间构建提供更好的映射效果。
引入第一个正整数 e（O ＜ e ＜ 1），z 为自变量，Sigmoid 激活函数的表达式：

tanh 激活函数的表达式：

在最新设计的人脸识别的系统中，应用 RELU 函数取代传统的两个激活函数，这也是新改进的卷积网络模型与原卷积网络的区别之一。

3、构建深度卷积神经网络模型
建立的单个神经网络是由输入层和输出层共同组成的，全连接层在连接时也一定要按照一定的顺序 [9]。由此连接层进行核卷积，得到的公式为：

式中：Y 表示输出层残差；n 表示该卷积神经网络的层数；Wijn 为滤波器输出的图像信息；Y 代表特定大小，* 代表运算手段；b 表示隐层残差。在选择采样方法时，一般选取采样层的最大池。

4、训练单个深度卷积神经网络
第一步，增强图片的对比度。
第二步，将直方图均衡化。
第三步，过滤中值滤波。

5、实现人脸识别