随着机器学习和模式识别的快速发展,结合深度学习算法的图像识别技术得到了广泛应用。基于深度学习的人脸识别算法克服了传统方法存在的不足,可以通过训练模型提取详细的人脸面部信息从而获得较高的识别率。本文主要研究了基于深度学习的人脸识别模型在实时场景下进行身份验证的应用。与传统的人脸识别算法相比较,使用卷积神经网络的模型,不需要人工设计算法来提取特征。本文使用采集到的人脸数据,基于Caffe平台在VGG-16模型的基础上进行微调,得到新的模型。最后基于微调的新模型在Python平台上设计实现了实时场景下的人脸检测与识别系统。本文的主要工作如下:(1)首先简要介绍了人脸识别技术的背景和现状,详细描述了深度学习工具Caffe的使用方法、工作原理和优点。然后介绍了传统神经网络中的梯度下降和反向传播算法,详细阐述了卷积神经网络的理论基础,并对其中的卷积层、池化层等关键层次进行了描述。最后对本文使用的VGG-16模型的网络结构进行了分析。(2)首先采集人脸数据,对人脸数据进行预处理后,将每种类型的人脸图片的文件名进行特定的命名,并将其转化为Caffe可以识别的数据类型,然后通过编写脚本文件和相关参数的不断调整,基于VGG-16模型训练出针对所采集人脸数据的新模型。最后通过特征可视化和测试结果分析,与传统方法提取的特征相比,该模型所提取的特征能更好的表达人脸信息,且有较好的识别率。(3)利用上述训练好的模型,在Python平台上设计了基于摄像头的人脸识别软件,包括摄像头图像解析、注册模块和识别模块三大部分。在实时场景下对该系统进行测试,结果表明,该软件系统在人脸有遮挡、表情变化和姿态变化等情况下均有较好的识别效果。综上所述,本文完成了人脸图像的采集与数据库的建立,人脸识别模型经过Finetune后,识别率达到了 97.03%。通过人脸图像数据库的实时人脸识别验证,设计的人脸识别软件系统可应用于基于人脸识别的门禁或考勤系统的实现。