基于卷积神经网络的人脸识别算法研究身份认证作为信息安全的重要技术，被广泛应用于金融、安防和电子商务等各个领域。然而随着科学技术的发展，传统的个人身份验证手段，如证件，口令等已经不能满足人们对社会经济活动安全的需要。所以人们开始转向对具有唯一性和不可分离性的生物体特征身份验证的研究，如指纹，虹膜，人脸等。而人脸识别因为其特有的方便性一直是近些年来研究的热点。早在 20 世纪，就有一些学者对人脸识别进行了研究，但是基于当时的技术限制，准确率并不是很高，但是随着近年来人工智能，大规模图像数据库，深度学习的迅猛发展，人脸识别的准确率得到了很大提高。
卷积神经网络是深度学习中被广泛使用的神经网络模型，是一种具有局部视野和权值共享等特点的多层神经网络。通过多层卷积层的特征提取，经过池化层，全连接层降低了网络的复杂度，最终输出分类结果。卷积神经网络具有很强的学习能力，能够自主地提取特征，很适合用于图像检测和分类。人脸识别是图像识别当中的一个重要的应用领域。因此，本文主要研究基于卷积神经网络的人脸识别算法。
首先，提出一种对传统 VGGNET 卷积神经网络模型的改进算法，在算法中，使用小尺寸的卷积核代替大尺寸的卷积核，大大降低了神经网络中的参数量，使其能够在单 GPU 的个人电脑运行，并且只需经过较短时间的训练过程，就能获得不错的人脸识别结果。然后，将所提出的算法应用到人脸识别问题中，构建了卷积神经网络模型，并给出 tensorflow 框架下的卷积神经网络人脸识别算法。最后，通过实验对本文提出的方法进行验证，结果表明，所提算法在 ORL 人脸库中的识别准确率达到了 80%以上。
该论文的研究成果可以进一步提高人脸识别问题的准确率， 从而为身份认证提供了技术保障。
关键词：卷积神经网络；人脸识别；算法；tensorflow
*若需了解更多与协助请咨询↓→[电脑QQ][手机QQ]【数据协助】
