摘要:深度学习技术是受到动物视觉神经领域的启发，模拟依靠层次化工作模式的视觉系统的技术。人工神经网络（ANN）是人工智能领域的一种模拟人脑功能的方法。把人工神经网络和深度学习技术结合就产生了一种新型人工神经网络方法，这就是卷积神经网络，这种网络可以结合局部感知域、层次结构、特征提取和分类过程进行全局训练。

近些年随着人脸识别技术的飞速发展，相关的技术也日渐成熟。卷积神经网络（Convolutional Neural Networks，简称CNN）开始越来越受人关注，硬件的运算能力也比之前有了质的飞跃，既有先进硬件的支持，还有开源的Caffe框架，于是CNN就兴起了。如今，CNN已被众多科学领域的研究人员当成研究热门之一，尤其是在模式分类领域，由于这种网络避免了对图像繁琐的预处理，能够直接把原始图像作为网络输入，因而受到更大的青睐和更为广泛的应用。而其中香港中文大学的汤晓鸥课题组对于脸部关键点识别的技术在相关领域中精确度和可靠性是目前为止最高的。

本文主要针对香港中文大学的汤晓鸥等人的 Deep Convolutional Network Cascade for Facial Point Detection这篇论文进行了相应的实现，用级联卷积神经网络的方法来检测人脸的关键点（这些关键点分别为眼睛中点（左眼、右眼），鼻尖和嘴角（左边嘴角和右边嘴角））。采用了 Caffe 框架，使用python编程，并利用论文作者提供的开放的数据集进行训练。

关键词：人工神经网络；深度学习；人脸识别；Python；卷积神经网络（CNN）

目录

摘要

Abstract

1 绪论-1

1.1 人工神经网络的发展和现状-1

1.2深度学习技术对人工神经网络的影响-2

1.3 卷积神经网络的发展-2

1.4本文主要工作内容-2

2人工神经网络和卷积神经网络的结构-3

2.1 BP神经网络介绍-3

2.1.1感知器单元-4

2.2 卷积神经网络-5

2.2.1卷积概念-5

2.2.2权值共享-6

2.2.3池化（pooling）-7

2.2.4 公式的格式示例-7

3网络实现-9

3.1数据准备-9

3.1.1数据准备-9

3.2 网络结构-10

3.2.1三层卷积网络-10

3.2.2每层工作关键代码-11

3.3 训练环境-12

4 实验结果-13

结    论-15

参 考 文 献-16

致    谢-17