1、大數據蘊含大發(fā)展，結合不斷提升的高性能計算機更是給機器視覺技術帶來日新月異的發(fā)展。深度卷積神經網絡也正是借著這股力量才大放異彩，其主要應用包括語音識別、圖像處理、自然語言處理等。本文就當前大環(huán)境下研究了卷積神經網絡模型在靜態(tài)環(huán)境下人臉識別領域的應用。相對傳統(tǒng)人臉識別方法而言，卷積神經網絡模型不需要人工進行大量而又復雜的特征提取算法設計，僅需要設計一個可行的網絡模型，再將大量的人臉訓練數據集加載到網絡模型中，然后進行自動訓練，這樣就可以得

2、到很好的識別率。把訓練好的模型保存下來，那么這個模型就是一個端到端的人臉特征提取器。該方法雖然操作簡單，但是需要根據訓練數據集設計合理的網絡結構，而且最難的關鍵點是超參數的調整和優(yōu)化算法的設計。因此本文結合殘差網絡和融合網絡構建了兩個與計算資源和數據資源相匹配的網絡模型，并通過反復調整超參數和調試優(yōu)化器使其在訓練集上能夠收斂，最終還取得較好的識別率。
　　本文的主要研究內容和創(chuàng)新點如下:
　　1.介紹了卷積神經網絡的基礎理論

3、知識。卷積神經網絡本質上是深層次的稀疏的傳統(tǒng)人工神經網絡，因此本文先從傳統(tǒng)人工神經網絡的模型結構、前向和反向傳播算法進行了詳細的分析;然后過渡到卷積神經網絡的相關理論，對其重要組成部分如卷積層、激勵層、池化層和全連接層進行了具體的闡述;最后對卷積神經網絡訓練時的一些注意事項進行了說明。
　　2.對深度學習框架TensorFlow的系統(tǒng)架構和編程模型作了一些說明，并對人臉數據進行預處理，包括人臉檢測、數據增強、圖像標準化和人臉中心損

4、失。
　　3.提出了基于改進的MyVGGNet和MySqueezeNet網絡的人臉識別。首先分析了模型VGGNet-16和SqueezeNet的網絡結構及相關參數，然后本文提出將原VGGNet-16和SqueezeNet的網絡結構和參數進行優(yōu)化，并在每個卷積層和激勵層之間添加批歸一化層，在VGGNet-16網絡末尾用1個1×1的卷積層代替三個全連接層，還增加全局平均池化層，得到新的MyVGGNet和MySqueezeNet模型，最

5、終這兩個模型不僅解決原模型對硬件要求高、有限數據量產生過擬合等問題，還成功應用到人臉識別的任務中。這樣就遷移了原網絡，在人臉識別任務中更容易獲得最優(yōu)解，最后在LFW數據集上分別獲得94.3％和95.1％的準確率。
　　4.提出了基于二叉樹型融合網絡BTreeFuseNet_v1和BTreeFuseNet_v2的人臉識別。首先對深度神經網絡的優(yōu)化問題和融合原理作了分析;然后結合殘差學習，融入分支并行、融合和級聯(lián)三種結構，采用ReLU