·772· 智能系统学报 第13卷 从图3可知，网络的主要参数设置如下： 5=n+1-m (13) 1)输入层为28×28的灰度图像； ORL人脸图像经2.2节预处理后大小变为 2)卷积层C,通过6个5×5的卷积核对输入 28×28,为确保卷积后的特征图大小为整数，将 层的灰度图像进行卷积操作，得到6个24×24的 C和C层卷积核大小设置为5×5。 特征图： 3.1.2C层卷积核个数选择 3)亚采样层S2在2×2的区域内对C,层的特 卷积神经网络识别准确率与卷积核的个数密 征图执行均值亚采样，得到6个12×12的特征图； 切相关。卷积核个数越多，提取的图像特征越丰 4)卷积层C,通过10个5×5的卷积核对S,层 富，但同时会增加网络训练时间。为选取C;层合 的特征图进行卷积操作，得到10个8×8的特征图； 适的卷积核个数，保持C1层卷积核个数不变，训 5)亚采样层S,在2×2的区域内对C,层的特 练迭代次数为60次，改变C层卷积核的个数，分 征图执行均值亚采样，得到10个4×4的特征图。 别使用训练集和测试集对变化后网络结构的识别 此时将S,层的所有特征图连接为一个160维的特 准确率进行验证。实验结果如图5所示。 征向量； 100 6)学习率为1.7，批处理块大小为2，网络阈 值函数为sigmoid, 90 80 3实验结果 70 为了验证本文所提算法的有效性，在ORL数 60 据集中进行了人脸识别实验。 ·-测试集 50 ·训练集 ORL人脸数据集I中部分人脸图像如图4 40 6 8 10 1214 16 所示。 C,层卷积核数目/个 图5C,层卷积核个数与识别率关系 Fig.5 Relationship between the number of C3 layer convo- lution kernel and recognition accuracy 图5的实验结果表明，卷积核个数与网络识 别正确率并非正比关系。当C:层卷积核个数为 10时，测试集的识别准确率达到最高。若继续增 加卷积核个数，网络中对应的权重W个数也随之 增多，但由于OL数据集样本的个数较少，可选 图4ORL数据集中部分人脸图像 取的训练集样本有限，已无法满足网络学习的需 Fig.4 Partial face images of ORL dataset 要，因此测试集的识别准确率开始下降。 ORL数据集中包含40个不同人物的脸部图 3.1.3C1层卷积核个数选择 像，每个人物包含10张图像，总共400张图像，每 由3.1.2节实验结果可知，C层有10个卷积 个图像原始大小均为112像素×92像素。每个类 核时，测试集的识别准确率均达到最高。为选取 别中的脸部图像在不同的时间拍摄得到，主要存 C层合适的卷积核个数，保持C,层卷积核个数不 在光线、面部表情和面部细节上的一些差异。本 变，训练迭代次数为60次，改变C,层卷积核的个 文随机选取每一个类别图像中的8张作为训练样 数，分别使用训练集和测试集对变化后的网络结 本，剩下的2张图像作为测试样本，训练集与测试 构进行实验验证。实验结果如图6所示。 集的比例为4：1。 图6的实验结果同样表明，卷积核个数与网 3.1网络结构设计 络最终识别正确率并非正比关系。当C,层卷积 3.11卷积核尺寸选择 核个数为6时，测试集的识别准确率达到最高。 卷积核的尺寸决定了卷积层输出特征图的大 若继续增加卷积核，网络需要学习的参数也增 小。假设卷积层输入图像的大小为n×n,卷积核 多，但由于ORL数据集样本的个数较少，选取的 的大小为m×m,卷积之后特征图的大小为s×s, 训练集样本有限，已无法满足网络学习的需要， 则s可通过式(13)算出。 因此测试集的识别准确率开始下降。从图 3 可知，网络的主要参数设置如下： 1) 输入层为 28×28 的灰度图像； 2) 卷积层 C1 通过 6 个 5×5 的卷积核对输入 层的灰度图像进行卷积操作，得到 6 个 24×24 的 特征图； 3) 亚采样层 S2 在 2×2 的区域内对 C1 层的特 征图执行均值亚采样，得到 6 个 12×12 的特征图； 4) 卷积层 C3 通过 10 个 5×5 的卷积核对 S2 层 的特征图进行卷积操作，得到 10 个 8×8 的特征图； 5) 亚采样层 S4 在 2×2 的区域内对 C3 层的特 征图执行均值亚采样，得到 10 个 4×4 的特征图。 此时将 S4 层的所有特征图连接为一个 160 维的特 征向量； 6) 学习率为 1.7，批处理块大小为 2，网络阈 值函数为 sigmoid。 3 实验结果 为了验证本文所提算法的有效性，在 ORL 数 据集中进行了人脸识别实验。 ORL 人脸数据集[11]中部分人脸图像如图 4 所示。 图 4 ORL 数据集中部分人脸图像 Fig. 4 Partial face images of ORL dataset ORL 数据集中包含 40 个不同人物的脸部图 像，每个人物包含 10 张图像，总共 400 张图像，每 个图像原始大小均为 112 像素×92 像素。每个类 别中的脸部图像在不同的时间拍摄得到，主要存 在光线、面部表情和面部细节上的一些差异。本 文随机选取每一个类别图像中的 8 张作为训练样 本，剩下的 2 张图像作为测试样本，训练集与测试 集的比例为 4∶1。 3.1 网络结构设计 3.1.1 卷积核尺寸选择 n× n m× m s× s 卷积核的尺寸决定了卷积层输出特征图的大 小。假设卷积层输入图像的大小为 ，卷积核 的大小为 ，卷积之后特征图的大小为 ， 则 s 可通过式 (13) 算出。 s = n+1− m (13) ORL 人脸图像经 2.2 节预处理后大小变为 28×28，为确保卷积后的特征图大小为整数，将 C1 和 C3 层卷积核大小设置为 5×5。 3.1.2 C3 层卷积核个数选择 卷积神经网络识别准确率与卷积核的个数密 切相关。卷积核个数越多，提取的图像特征越丰 富，但同时会增加网络训练时间。为选取 C3 层合 适的卷积核个数，保持 C1 层卷积核个数不变，训 练迭代次数为 60 次，改变 C3 层卷积核的个数，分 别使用训练集和测试集对变化后网络结构的识别 准确率进行验证。实验结果如图 5 所示。 40 50 60 70 80 90 100 6 8 10 12 14 16 识别率/% C3 层卷积核数目/个 测试集 训练集 图 5 C3 层卷积核个数与识别率关系 Fig. 5 Relationship between the number of C3 layer convo￾lution kernel and recognition accuracy 图 5 的实验结果表明，卷积核个数与网络识 别正确率并非正比关系。当 C3 层卷积核个数为 10 时，测试集的识别准确率达到最高。若继续增 加卷积核个数，网络中对应的权重 W 个数也随之 增多，但由于 ORL 数据集样本的个数较少，可选 取的训练集样本有限，已无法满足网络学习的需 要，因此测试集的识别准确率开始下降。 3.1.3 C1 层卷积核个数选择 由 3.1.2 节实验结果可知，C3 层有 10 个卷积 核时，测试集的识别准确率均达到最高。为选取 C1 层合适的卷积核个数，保持 C3 层卷积核个数不 变，训练迭代次数为 60 次，改变 C1 层卷积核的个 数，分别使用训练集和测试集对变化后的网络结 构进行实验验证。实验结果如图 6 所示。 图 6 的实验结果同样表明，卷积核个数与网 络最终识别正确率并非正比关系。当 C1 层卷积 核个数为 6 时，测试集的识别准确率达到最高。 若继续增加卷积核，网络需要学习的参数也增 多，但由于 ORL 数据集样本的个数较少，选取的 训练集样本有限，已无法满足网络学习的需要， 因此测试集的识别准确率开始下降。 ·772· 智 能 系 统 学 报 第 13 卷