基於CNN、Opencv、tensorboard的人臉識別

1. 系統開發環境

2.1系統開發環境

2.1.1硬件

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

2.1.2軟件

1. Python 3.5

2.2系統使用工具

集成開發環境（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. 人臉識別技術

7. 3.1獲取人臉數據

   首先通過opencv打開攝像頭，獲取視頻流，得到一幀一幀的圖片，用opencv自帶的人臉識別分類器haarcascade_frontalface_alt2檢測出每幀人臉的部分，並保存。將獲取的每幀圖片壓縮成64*64的，並灰度化。

   3.2圖像預處理

   3.2.1劃分數據集

   按照交叉驗證的原則將數據集劃分成三部分：訓練集、驗證集、測試集；交叉驗證屬於機器學習中常用的精度測試方法，它的目的是提升模型的可靠和穩定性。我們會拿出大部分數據用於模型訓練，小部分數據用於對訓練後的模型驗證，驗證結果會與驗證集真實值（即標籤值）比較並計算出差平方和，此項工作重複進行，直至所有驗證結果與真實值相同，交叉驗證結束，模型交付使用。在這裏我們導入了sklearn庫的交叉驗證模塊，利用函數train_test_split()來劃分訓練集和驗證集。train_test_split()會根據test_size參數按比例劃分數據集，在這裏我們劃分出了30%的數據用於驗證，70%用於訓練模型。參數random_state用於指定一個隨機數種子，從全部數據中隨機選取數據建立訓練集和驗證集，所以你將會看到每次訓練的結果都會稍有不同。測試集也調用了這個函數。

   3.2.2改變圖像數據維度

   按照keras庫運行的後端系統要求改變圖像數據的維度順序；因爲keras建立在tensorflow或theano基礎上，換句話說，keras的後端系統可以是tensorflow也可以是theano。後端系統決定了圖像數據輸入CNN網絡時的維度順序，tensorflow的維度順序爲行數(rows)、列數(cols)、通道數(顏色通道，channels)；theano則是通道數、行數、列數。所以，我們通過調用image_dim_ordering()函數來確定後端系統的類型（th’代表theano，'tf'代表tensorflow），然後我們再通過numpy提供的reshape()函數重新調整數組維度。

   3.2.3 one-hot編碼

   將數據標籤進行one-hot編碼，使其向量化，對標籤集進行one-hot編碼的原因是我們的訓練模型採用categorical_crossentropy作爲損失函數，這個函數要求標籤集必須採用one-hot編碼形式。因爲one-hot編碼採用狀態寄存器的組織方式對狀態進行編碼，每個狀態值對應一個寄存器位，且任意時刻，只有一位有效。對於我們的程序來說，我們類別狀態只有兩種（nb_classes = 2）：0和1，0代表我，1代表others。one-hot編碼會提供兩個寄存器位保存這兩個狀態，如果標籤值爲0，則編碼後值爲[1 0]，代表第一位有效；如果爲1，則編碼後值爲[0 1]，代表第2爲有效。換句話說，one-hot編碼將數值變成了位置信息，使其向量化，這樣更方便CNN操作。

   3.2.4歸一化圖像數據

   數據集先浮點後歸一化的目的是提升網絡收斂速度，減少訓練時間，同時適應值域在（0,1）之間的激活函數，增大區分度。其實歸一化有一個特別重要的原因是確保特徵值權重一致。舉個例子，我們使用mse這樣的均方誤差函數時，大的特徵數值比如(5000-1000)2與小的特徵值(3-1)2相加再求平均得到的誤差值，顯然大值對誤差值的影響最大，但大部分情況下，特徵值的權重應該是一樣的，只是因爲單位不同才導致數值相差甚大。因此，我們提前對特徵數據做歸一化處理，以解決此類問題。

   3.3構建卷積神經網絡

   3.3.1卷積神經網絡結構

   本實驗的其中一層卷積神經網絡的結構如圖：

    

    

   本程序的神經網絡包含的結構如下：

8. 3個卷積層
9. 2個池化層
10. 3個激活函數層
11. 3個Dropout層
12. 2個全連接層
13. 1個Flatten層
14. 1個分類層
15. 8,389,120個訓練參數