1.算法运行效果图预览
(完整程序运行后无水印)
2.算法运行软件版本
matlab2022a
3.部分核心程序
（完整版代码包含详细中文注释和操作步骤视频）
```classs = 2;
% 创建一个图像数据存储对象imdsTrain，用于从名为"Data"的文件夹及其子文件夹中读取图像数据。
% "IncludeSubfolders"设置为true表示包含子文件夹中的图像，"LabelSource"设置为"foldernames"表示根据文件夹名称来确定图像的标签
imdsTrain = imageDatastore("Data","IncludeSubfolders",true,"LabelSource","foldernames");
% 将imdsTrain中的图像数据按照标签进行划分，其中95%的数据划分到imdsTrain用于训练，剩余5%的数据划分到imdsValidation用于验证。
% "randomized"表示划分是随机进行的
[imdsTrain, imdsValidation] = splitEachLabel(imdsTrain,0.95,"randomized");
% 创建一个增强后的图像数据存储对象augimdsTrain，用于对训练数据imdsTrain进行数据增强操作。
% 输入参数[160 200 3]是指定了增强后图像的尺寸（宽、高、通道数）
augimdsTrain = augmentedImageDatastore([160 200 3],imdsTrain);
% 创建一个增强后的图像数据存储对象augimdsValidation，用于对验证数据imdsValidation进行数据增强操作，
% 同样输入参数[160 200 3]是指定了增强后图像的尺寸
augimdsValidation = augmentedImageDatastore([160 200 3],imdsValidation);
% 创建一个训练选项结构体opts，用于配置网络训练的各种参数：
% "adam"表示使用Adam优化器进行训练；
% "ExecutionEnvironment","auto"表示自动选择执行环境（如GPU或CPU）；
% "GradientThresholdMethod","global-l2norm"指定梯度阈值的计算方法为全局L2范数；
% "InitialLearnRate",0.001设置初始学习率为0.001；
% "MiniBatchSize",32表示每个小批次的样本数量为32；
% "MaxEpochs",20设置最大训练轮数为20；
% "Shuffle","every-epoch"表示每一轮训练前都对数据进行打乱；
% "Plots","training-progress"表示在训练过程中绘制训练进度相关的图表；
% "ValidationData",augimdsValidation指定验证数据为augimdsValidation
opts = trainingOptions("adam",...
"ExecutionEnvironment","auto",...
"GradientThresholdMethod","global-l2norm",...
"InitialLearnRate",0.001,...
"MiniBatchSize",32,...
"MaxEpochs",40, ...
"Shuffle","every-epoch",...
"Plots","training-progress",...
"ValidationData",augimdsValidation);
% 创建一个空的层图对象lgraph，后续将在这个层图上添加各种神经网络层来构建完整的网络结构
lgraph = func_mobileNet_layer(classs);
figure
plot(lgraph)
% Train Network
[net, traininfo] = trainNetwork(augimdsTrain,lgraph,opts);
save Net.mat net traininfo
```
4.算法理论概述
人脸识别技术在安防、金融、交通等众多领域有着广泛的应用。然而，传统的人脸识别方法容易受到照片、视频等非活体攻击的影响。为了提高人脸识别系统的安全性，活体人脸识别检测技术应运而生。MobileNet 作为一种高效的深度学习网络，在移动设备和资源受限环境下的计算机视觉任务中表现出色，其应用于活体人脸识别检测能够在保证准确性的同时，提高检测效率。
活体人脸具有丰富的纹理细节，如皮肤的微小褶皱、毛发等，并且在不同光照条件下会有自然的光影变化。而非活体（如照片或视频）的纹理相对单一，光照效果可能比较固定。
MobileNet 网络主要采用深度可分离卷积（Depthwise Separable Convolution）来构建轻量化的网络结构。其网络架构通常由多个卷积层、深度可分离卷积层、池化层、全连接层以及激活函数层组成。其结构如下图所示：
基于MobileNet深度学习网络的MQAM调制类型识别方法利用了 MobileNet 网络的轻量化和高效性特点，结合 MQAM 调制的数学原理与信号特征，通过数据预处理、网络训练与优化等一系列步骤。通过深入分析 MQAM 调制的数学模型、MobileNet 网络的架构与计算原理，以及识别过程中的数据处理、参数更新等机制，并采用性能分析指标评估网络性能、运用优化策略提升网络效果，为无线通信领域中的调制类型识别提供了一种先进的技术方案。
当输入一张人脸图像到 MobileNet 网络时，通过前面所述的深度可分离卷积层和池化层的层层处理，提取出人脸图像的高级特征。这些特征是一种抽象的、具有代表性的向量，能够反映人脸的形状、纹理等关键信息。
