基于改进卷积神经网络的人脸识别研究

由于传统的深度卷积神经网络用于人脸识别时,往往结构层数多,参数量大,训练难度高。本文在经典网络Le Net-5的基础上提出一种新的卷积神经网络模型来进行人脸识别。首先,结构上包含两个子卷积网络,实现多卷积的功效;然后,对于提取人脸特征的卷积层和池化层采取融合,以减少网络参数及训练时间;采用两个全连接层,第一个全连接层与前面完成特征提取的每个单层连接来实现对多尺度特征的采集;最后的分类层采用Softmax分类器。实验结果表明,与传统结构模型相比,识别率有所提高,其训练速度提升了,验证了新网络模型人脸识别方法的有效性。