本文版權(quán)為《郵電設(shè)計(jì)技術(shù)》所有，如需轉(zhuǎn)載請(qǐng)聯(lián)系《郵電設(shè)計(jì)技術(shù)》編輯部
摘 要：
人臉識(shí)別技術(shù)在智能城市建設(shè)中廣泛應(yīng)用，傳統(tǒng)人臉識(shí)別算法依賴人工設(shè)定的特征，通常會(huì)帶來不可期望的人為因素和誤差。隨著計(jì)算機(jī)算力的提升，基于神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別方法由于其準(zhǔn)確高效深受工業(yè)界偏愛。提出了基于多任務(wù)卷積神經(jīng)網(wǎng)絡(luò)（MTCNN——Multi-task Cascaded Convolutional Networks）和Facenet的人臉識(shí)別方法，并實(shí)現(xiàn)了從圖像處理到識(shí)別結(jié)果輸出的整個(gè)人臉識(shí)別系統(tǒng)。
關(guān)鍵詞：人臉識(shí)別；MTCNN；Facenet；系統(tǒng)
doi：10.12045/j.issn.1007-3043.2020.02.008
前言
隨著計(jì)算機(jī)及網(wǎng)絡(luò)的發(fā)展，人臉識(shí)別技術(shù)在國家安全、公安、司法、電子商務(wù)、安保監(jiān)控、安全檢查等領(lǐng)域被越來越多地應(yīng)用。傳統(tǒng)人臉識(shí)別方法依賴于人工設(shè)計(jì)的特征（比如邊和紋理描述量）與機(jī)器學(xué)習(xí)技術(shù)（比如主成分分析、線性判別分析或支持向量機(jī)）。人工設(shè)計(jì)的特征在無約束環(huán)境中的穩(wěn)健性較差，這使得過去的研究者側(cè)重研究針對(duì)不同變化類型的專用方法，比如能應(yīng)對(duì)不同年齡的方法、能應(yīng)對(duì)不同姿勢的方法、能應(yīng)對(duì)不同光照條件的方法等。近段時(shí)間，傳統(tǒng)的人臉識(shí)別方法已經(jīng)被基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）的深度學(xué)習(xí)方法代替。其主要優(yōu)勢是它可以用非常大型的數(shù)據(jù)集進(jìn)行訓(xùn)練，從而學(xué)習(xí)到表征這些數(shù)據(jù)的最佳特征。本文提出了一種基于MTCNN和Facenet的人臉識(shí)別方法。
