人脸识别是图像领域的经典问题,为解决目前人脸识别中普遍存在的识别精度不高、特征点估计较为粗糙等问题,采用一种基于R-CNN(Res Nets-Convolutional Neural Network)算法的人脸识别方法。该方法用人脸特征探测器有效的提取了人脸特征,同时将R-CNN卷积神经网络结合特征脸算法用于2D人脸识别。采集了400张目标脸,和人脸库中的1000张样本脸混合,形成人脸数据集。本文的主要工作如下:1.针对CNN网络过拟合问题,本文提出了网络优化方法,改进全连接层设计,对原Droupout随机稀疏进行改进,使其在训练阶段的输出值从大到小划分成两个等级(前1/2、后1/2),两个等级的稀疏度设定也有所不同(输出值小稀疏率高,输出值大稀疏率低),从而对全连接层进行稀疏化处理,对改进后的CNN网络在人脸数据集中进行实现,给出网络的准确率与损失。2.针对R-CNN网络的不足,提出了通过固定尺寸分割取代滑动窗口的策略,由于滑动窗口大小固定不变,且会造成窗口冗余,而固定尺寸分割会产生尺寸多样的目标估计,即使人脸图像是在极端情况下采集得到的,检测结果也较好。同时对Res Nets网络中引入网络注意力模块,这样可以加强网络的特征提取能力,网络更具鲁棒性,并将改进的Dropout技术也加入改进后的R-CNN网络中。3.设计并实现了一套基于改进的R-CNN网络的人脸检测与识别软件,结果表明在非限制性的人脸数据集中表现良好,识别率较高,鲁棒性较强。该论文有图37幅,表3个,参考文献68篇。