51、基于平均池化和 MobileNetV2 的人脸识别迁移学习方法

基于平均池化和 MobileNetV2 的人脸识别迁移学习方法

1. 引言

人脸识别是一种通过面部特征识别或验证个人身份的技术，在日常生活和社会交往中具有重要意义。政府常利用数学方法评估面部特征并保存为面部指纹来识别个人。生物特征人脸识别技术因其在执法、民用企业、机构和组织中的广泛应用而备受关注。与其他生物识别技术如指纹、掌纹和虹膜识别相比，人脸识别具有独特优势。

传统的人脸识别图像特征提取方法准确且快速，但也存在一些问题。例如，基于 AdaBoost 的训练方法需要大量计算资源；基于贝叶斯框架的方法在某些场景下表现有限；基于可变形组件模型（DPM）的方法计算成本高且特征唯一性低。

为解决这些问题，本文提出了一种基于平均池化和 MobileNetV2 的人脸识别系统。在对检索到的图像数据进行一系列预处理步骤后，实施分类器，并对结果进行性能评估，以比较哪种模型更有效。

2. 研究方法

本研究基于两种用于人脸识别的模型：平均池化和 MobileNetV2。整个系统流程如下：

graph LR
    A[数据收集] --> B[数据预处理和增强]
    B --> C[分类器]
    C --> D[性能评估]

2.1 数据收集

本研究使用 LFW（人脸识别）数据集（https://www.kaggle.com/atulanandjha/lfwpeople），该数据集包含超过 13,000 张图片，本研究仅使用其中 13,000 张。每张图像都标有相应人物的姓名，共使用 10