声明：文章是从本人公众号中复制而来，因此，想最新最快了解各类智能优化算法及其改进的朋友，可关注我的公众号：强盛机器学习，不定期会有很多免费代码分享~

目录

数据来源

结果展示

模型流程

部分代码展示

完整代码获取

---

之前给大家带来的大多都是关于深度学习预测的内容，今天给小伙伴们带来一起关于图像识别的程序，利用CNN卷积神经网络进行人脸识别，非常适合新手小伙伴作为图像识别的启蒙程序以及学习材料，并且，我们也附带了UI界面，方便小伙伴进行调用。

您只需做的工作：点击训练模型、后测试模型即可！

数据来源

此次采用的人脸识别数据来自于olivettifaces人脸数据库。该数据库是纽约大学组建的一个比较小的人脸数据库，有40张人脸，每人10张照片，组成一幅有400张人脸的大图像，像素灰度范围在［0，255］。整张图像大小是1190×942，20 行 20 列，即每张照片大小是(1190/20) (942/20)=57×47。

结果展示

点击文件运行后，会出现如下所示的UI界面：

既然要识别人脸，那肯定得先训练一个模型，因此首先点击模型训练，会出现模型训练进度条：

然后点击模型测试，选取任意文件夹的一幅图像，即可得到该人脸所属的类别。

也可以点击可视化，查看该CNN模型的模型架构图：

以及训练集和测试集的混淆矩阵图：

模型流程

一、数据加载。使用 imageDatastore 函数从名为 orl_faces 的文件夹中加载人脸图像数据集。

二、数据预处理与划分。将导入的数据集按照80/20的比例随机划分为训练集和测试集。对训练和测试图像进行预处理，将所有图片统一调整到指定的大小，以满足CNN模型对输入尺寸固定的要求。

三、CNN模型构建。包含全连接层、分类层、卷积层、批归一化层、ReLU激活层、池化层等等。

四、模型训练。设置训练参数，包括优化器、批量大小、最大轮次、学习率、验证数据、可视化等等。

五、性能评估与结果展示。使用训练好的模型 分别对训练集和测试集进行预测，将模型的预测结果与真实的标签进行比较，计算出模型在训练集和测试集上的分类准确率。

部分代码展示

%%  建立模型
layers = [
 imageInputLayer(img_size)
 
 convolution2dLayer([3, 3], 16, Padding = "same")          % 卷积核大小为3*3,生成16个特征图
 batchNormalizationLayer                                   % 批归一化层
 reluLayer                                                 % relu激活层
 
 maxPooling2dLayer([2, 2], 'Stride', 2)                    % 最大池化层,池化大小为2*2,步长为2
 
 convolution2dLayer([3, 3], 32, Padding = "same")          % 卷积核大小为3*3,生成32个特征图
 batchNormalizationLayer                                   % 批归一化层
 reluLayer                                                 % relu激活层
 
 maxPooling2dLayer([2, 2], 'Stride', 2)                    % 最大池化层,池化大小为2*2,步长为2

 convolution2dLayer([3, 3], 64, Padding = "same")          % 卷积核大小为3*3,生成64个特征图
 batchNormalizationLayer                                   % 批归一化层
 reluLayer                                                 % relu激活层

 fullyConnectedLayer(numClasses)                           % 全连接层 -- 输出层
 softmaxLayer                                              % 损失函数层
 classificationLayer];                                     % 分类层

完整代码获取

如果需要以上完整代码，只需点击下方小卡片，再后台回复关键字，不区分大小写：

人脸识别