人脸识别作为生物特征识别技术的重要分支，其应用已广泛渗透至身份认证、安防监控与人机交互等多个领域。从技术层面看，算法的核心地位不可取代。在人脸识别的技术体系中，几种经典算法始终扮演着关键角色：基于特征脸（PCA）的方法、基于线性判别分析（LDA）的方法、基于局部二值模式（LBP）的方法，以及基于神经网络（NN）的方法。其中，卷积神经网络（Convolutional Neural Network，简称CNN）凭借其强大的特征提取能力脱颖而出，其超参数通常通过传统的梯度下降法与网络自身的模型结构协同学习。

提到经典的CNN架构，必须列举几个里程碑式的成果：AlexNet在图像分类任务中表现卓越；R-CNN（Regions with CNN）成功实现了目标检测区域的特征提取；而全卷积网络（Fully Convolutional Network, FCN）则推动了端到端图像语义分割的发展，大幅提升了传统语义分割算法的准确率。以AlexNet为例，它由8层网络构成：包含5个卷积层（conv层）和3个全连接层（FC层），其中FC8层为分类层，参数量超过6000万。该层的输出是一个具备1000个输出维度的归一化指数函数回归模型。

本研究基于上述思路，设计了一个7层的卷积神经网络模型，专门用于ORL人脸数据库的人脸识别任务。在这个7层网络中，我们采用了整流线性单元激活函数（ReLU），并配合固定学习率进行训练。

卷积神经网络的设计

1.1 AlexNet在人脸识别领域的应用

在AlexNet网络中，ReLU激活功能作用于每个卷积层和全连接层。一个关键细节是：局部响应归一化（LRN）层被连接在第一个和第二个卷积层之后。此外，卷积1层、卷积2层和卷积5层的输出都连接了最大池化层。AlexNet（后文称为原网络）的基本架构如图1所示。

图1 AlexNet网络结构示意图

在本设计中，我们使用ORL人脸数据库对一个全新的卷积神经网络结构模型进行训练。训练过程中，过拟合是一个常见难题。对此，Hinton提出的“Dropout”方法提供了有效的解决方案：在网络学习时，以固定概率（通常设为0.5），将输入层或隐藏层神经元的输出随机设置为0。这会导致该神经元无法继续正向传播和误差反向传播；但在测试时，会用概率值p乘以该层的神经元输出。由于网络中每个输入图像神经元被随机置0，这迫使隐藏层必须去提取图像中最基础的特征，从而有效缓解过拟合。

1.2 AlexNet的改进

我们提出的网络模型结构如图2所示。

图2 本文网络的整体结构图

具体改进点有三：
(1) 使用两个更小的卷积核——7x7和5x5——替代原有的11x11大卷积核。为了保证原结构中maxpool1（第一最大池化层）的输出不变，我们保持Conv1-1（第一卷积层的第一卷积核）和Conv1-2（第一卷积层的第二卷积核）的数量不变，并对它们进行补充操作。后续模型结构与原网络相同，原有的FC8层变为FC7层，具体参数见表1。
(2) 在激活函数与池化层之间，删除了LRN层。
(3) 本文网络模型减少了一层（FC7层），第一层变为两个小卷积模块形式。改进层的具体参数变化见表2。

表1 Conv1-1和Conv1-2的详细参数

表2 原网络与本文网络的参数对比

1.3 人脸图像的预处理

原始人脸图像的尺寸为112×92。首先将其标准化为256×256，然后在标准化后的图片上随机裁剪一个227×227的图像用于训练，并进行横向翻转、平移等一系列数据增强操作，以此扩展数据集大小。ORL人脸数据库的样例如图3所示。

图3 ORL人脸数据库中的样本示例

对ORL数据库的具体处理流程如下：
(1) 将数据库中的训练集、验证集、测试集按3:1:1的比例划分。随后，通过cvResize函数将原始图片从112×92标准化为256×256，如图4所示。
(2) 将训练集、验证集、测试集中的40个人分别归为40个类别，并制作标签，存放于编号0至39的文件夹内。
(3) 制作标签txt文件。
(4) 转换Imdb格式的数据集。
(5) 生成训练集均值文件。
至此，人脸图像的预处理工作完成。

图4 人脸图像标准化过程示意图

网络的训练和测试

本研究采用批量随机梯度下降的方式进行训练，这有助于更快地提升准确率。针对ORL人脸数据库，我们对原网络和本文网络分别进行训练：最大迭代次数均为10000，批处理图片大小分别为4个和8个，动量设为0.9，常数因子设为0.1（因本实验最大迭代次数与步长设置相同，此参数可忽略），初始权值为0.0005，步长为10000，初始学习率为0.0001。训练策略为每训练1次测试1次，每训练1000次保存一个模型。每一次训练网络，更新的参数都会覆盖其批处理量。更新公式如下：

实验与结果分析

AlexNet网络和本文网络通过迭代次数来寻找最适合ORL人脸数据库的模型。在本设计中，测试集的识别率主要用来衡量网络模型对人脸数据测试的优劣，而最终的识别率则是全部样本的综合识别率。同时，通过比较各个集合的损失值，可以判断网络模型在保留尽可能多人脸信息的前提下，能否保证识别率的准确性。

3.1 卷积神经网络的人脸识别

在实验中，AlexNet网络的迭代次数范围设为1000到10000，本文网络同样取此范围。利用这些模型进行人脸识别测试，以比较它们的损失值和识别率。

图5展示了在ORL数据库中，原网络和本文网络在不同迭代次数下的训练集损失函数值。

图5 原网络与本文网络在训练集上的损失曲线

从图5可以清晰地看出，本文网络仅在迭代2000、3000、3500、4000、4500、4800、9400、9600次时，训练集的损失值高于原网络，其余时间均显著低于原网络，最终趋近于零并达到稳定。

图6展示了在ORL数据库中，原网络和本文网络在不同迭代次数下的验证集损失值。

图6 原网络与本文网络在验证集上的损失曲线

图6的数据显示，本文网络在验证集上的表现同样出色：仅在迭代1000、2200、9500、9700次时损失值高于原网络，其余时间均更低，最终也趋近于零并达到稳定。

图7展示了在ORL数据库中，原网络和本文网络在不同迭代次数下的测试集损失值。

图7 原网络与本文网络在测试集上的损失曲线

图7的一个显著特点是：本文网络损失曲线的下降速度明显快于原网络。在迭代5000次之后，基本趋于稳定。虽然在迭代8000到9500次时损失值略高于原网络，但原网络的损失值一直处于上下震荡状态，而最终本文网络的损失值收敛在0.1附近。

图8展示了在ORL数据库中，原网络和本文网络在不同迭代次数下的全部样本集损失值。

图8 原网络与本文网络在全样本集上的损失曲线

图8的曲线形态与图7类似，但区别在于：本文网络的样本集损失值曲线几乎一直位于原网络下方，最终同样收敛在0.1附近。

接下来看准确率。图9展示了在ORL人脸数据库中，原网络和本文网络在不同迭代次数下，验证集对训练集的准确率。

图9 原网络与本文网络在验证集上对训练集测试的准确率曲线

从图9可以看出，本文网络验证集对训练集的准确率上升速度更快，且在迭代6000次之前一直稳步上升。而在6000次之后，原网络出现了强烈的上下震荡，本文网络则大幅减小了这种震荡，最终在97.5%的准确率附近趋于平稳。

图10展示了在ORL人脸数据库中，原网络和本文网络在不同迭代次数下，每次迭代的测试集识别率。

图10 原网络与本文网络在测试集上的识别率曲线

图10揭示了一个关键信息：在迭代6000次之前，两个网络的测试集识别率均稳步上升，原网络最高达到97.5%，而本文网络最高达到了98.75%。但6000次之后，原网络发生强烈震荡，本文网络也略有下降。在迭代8000到9200次时，本文网络略低于原网络，但随后继续上升，直到识别率为96.25%时趋于稳定。

图11展示了在ORL人脸数据库中，原网络和本文网络在不同迭代次数下的样本集识别率。

图11 原网络与本文网络在全样本集上的识别率曲线

图11的走势与图10基本相似，但一个重要的差异是：本文网络的样本集识别率几乎一直位于原网络之上（除了迭代9000到10000次）。其中，原网络对样本集的最高识别率为98.75%，而本文网络达到了99%。在对全部样本的识别率上，原网络和本文网络分别在98.5%和98.75%时达到平衡。

综合来看，本文网络的损失曲线和识别率曲线，相较于原网络，震荡幅度显著减小，整体趋于平稳，实践效果更佳。我们针对每个模型测量了其在ORL人脸数据库训练集和测试集上的正确识别率，结果如表3、表4所示。

由上述表格数据可知，原网络的最佳模型是AlexNet网络的_iter_9000；本文网络的最佳模型是本文网络的_iter_6000。本文以测试集识别率为准，本文网络的人脸识别率比原网络高出1.25%，并且在一定程度上能提高识别率的收敛速度。

3.2 AlexNet网络的模型和本文网络的模型与其他算法的比较

传统人脸识别算法在ORL数据库上的识别率如表5所示。

表5 传统算法在ORL人脸数据库上的正确识别率（%）

AlexNet网络结构模型对ORL人脸数据库的识别率是97.5%，样本识别率是98.75%。而本文网络结构模型对ORL人脸数据库的识别率达到98.75%，样本识别率是99%。表6是本文设计的网络与传统算法在ORL人脸数据库识别率的对比。从中可以得出结论：本文所设计的网络对ORL人脸数据库的识别率提升了1.25%，样本识别率提升了0.25%。

3.3 实验总结

本文提出了一个7层网络，专门应用于ORL人脸数据库的人脸识别。该网络通过提高AlexNet网络中的超参数批量处理量，使得在迭代次数很小的情况下就能达到饱和状态，训练收敛速度更快，验证准确率更高。从训练集、验证集、测试集的损失曲线来看，本文网络损失更小，训练出的模型测试人脸的识别率达到98.75%（比原网络提高1.25%），所有样本的识别率可达99%（比原网络提高0.25%）。综上，人脸识别的准确率得到了有效加强，同时人脸数据的损失值和识别率曲线的振荡问题也得到了改进，结果更加稳定。

结语

随着深度学习的热潮和人工智能的推进，人脸识别的应用已经进入各行各业，对人脸识别准确性的探究也成为一个持续的课题。本文针对AlexNet网络方法的参数训练过程提出了一种新型网络算法，经实验证明具有优良的性能。其逐层的准确度匹配程度得以逐渐加快，从而实现了更精准的识别结果。