全文总字数：3750字
1. 研究目的与意义（文献综述）
人脸识别可以说是人工智能领域中成熟较早，落地较广的技术之一，从机场、火车站的安检闸机，到平常用户手机中的“刷脸”支付，人脸识别已深入我们的生活。
早期的人脸识别多采用传统机器学习算法，经典的算法如特征脸结合线性判别分析。而且研究关注的焦点更多集中在如何提取更有鉴别力的特征上，以及如何更有效的对齐人脸。随着研究的深入，传统机器学习算法人脸识别在二维图象上的性能提升逐渐到达瓶颈，于是大多数人开始转而研究视频中的人脸识别问题，或者结合三维模型的方法去进一步提升人脸识别的性能，少数学者开始研究三维人脸的识别问题。1985年，rumelhart和hinton等人提出了后向传播（back propagation，bp）算法使得神经网络的训练变得简单可行，几年后，lecun利用bp算法来训练多层神经网络用于识别手写邮政编码，这个工作就是cnn的开山之作。在而如今cnn的发展已经出现了许多优秀的算法例如：alexnet，agg，goodlenet，resnet。
alexnet 模型是由 alex 等在 imagenet 比赛中提出的，并获得了非常好的网络结构特性。alexnet 模型的网络深度相比 lenet 网络更加宽广， alexnet网络是由卷积层（5 个）、全连基层（3 个）构成。alexnet 网络拓展了网络深度、提高了计算能力，这就使得其具备非常好的计算性能，此外也使得卷积神经网络逐步渗透进入了计算机视觉计算过程中。
2. 研究的基本内容与方案
本次毕业设计我采用基于残差神经网络resnet，并选用lfw测试集来测试设计的神经网络的识别准确率，神经网络的训练集选用 casia-webface 数据库中的人脸数据，且使用python作为编程语言，平台和编译器分别使用anaconda和pycharm。此次设计的人脸识别算法框架的核心模块为人脸对齐模块、人脸特征提取模块、人脸特征认证模块。
人脸对齐模块的主要功能为人脸图像的预处理，主要是从图像中获取人脸特征的关键点，此模块算法应用的是kaipeng zhang 研究的 mtcnn 对齐算法。
人脸特征提取模块为残差卷积网络模型结构、训练损失函数的设计。神经网络处理图片的大致步骤是：将已经建立好的人脸数据集，转化为 tfrecord 格式，然后通过读取tfrecord文件获取人脸数据，输入网络的第一个卷积层，卷积层中一般选用3×3的卷积核；在卷积操作后就是池化操作，池化的目的是压缩图片，通常有平均池化，最大值池化，最小值池化等，池化核的大小通常取2×2步长为2；卷积层采用的激活函数是relu,用该函数抹0，即小于0的部分变成0，大于0的部分不变，还有其他的一些激活函数可以使用，并且可以视情况决定在每一层中使用哪种类型的激活函数，按最优化来设计。神经网络通过图片的真是结果和测试出来的结果进行误差计算，误差计算得到的函数就叫做损失函数。而训练神经网络的目标就是将损失函数降到最低，可通过求导找到一个最低值，然后修改卷积核的参数以及每个神经元的权重，进行微调，使得损失函数最小，所以我们需要用大数据去训练这个网络，本次准备采用的训练集是casia-webface 数据库。
3. 研究计划与安排
第1周—第3周搜集资料，撰写开题报告；
第4周—第6周论文开题，安装并熟悉实验所需软件；
第7周—第10周进行实验并对实验数据进行分析；
4. 参考文献（12篇以上）
[1] 毛志雄.基于深度学习的人脸识别算法研究与应用[d].湖北黄石市：湖北师范大学，2019.
[2]王飞.基于深度学习的人脸识别算法研究[d].兰州交通大学,2017.
[3] phil kim著，邹伟、王振波等译.深度学习：基于matlab的设计实例[m].北京航空航天大学出版社，2018
