基于深度學習的人臉識別技術(shù)分析與探究

楊迪　耿超娟

摘 要：本文對人臉識別技術(shù)的概念與理論基礎進行分析，在深度學習的基礎上對識別技術(shù)的應用方法加以闡述，主要包括特征提取、聚合與分類、并行網(wǎng)絡結(jié)構(gòu)、數(shù)據(jù)集、實驗結(jié)果等內(nèi)容，最后通過案例分析的方式，對電視節(jié)目中人臉識別技術(shù)的應用進行研究，旨在該技術(shù)在更多的領(lǐng)域得到廣泛應用.

關(guān)鍵詞：深度學習;人臉識別;技術(shù)應用

中圖分類號：TP391.41? 文獻標識碼：A? 文章編號：1673-260X（2019）11-0065-03

在深度學習和數(shù)據(jù)集不斷發(fā)展之下，關(guān)于人臉識別技術(shù)的研究逐漸增加，但在實際應用中卻面臨諸多挑戰(zhàn)，主要體現(xiàn)在背景、光線、表情變化等多個方面，加上人臉信息具有較強的復雜性，對特征識別算法的要求較高，在技術(shù)層面很難實現(xiàn).對此，本文在深度學習基礎上，對人臉識別技術(shù)進行分析，并對其實際應用加以闡述.

1 關(guān)鍵概念與理論基礎

1.1 深度學習

在人工智能領(lǐng)域中，深度學習屬于重要的內(nèi)容，其涵蓋內(nèi)容眾多，具有跨領(lǐng)域、跨學科等特征，涉及數(shù)學、信息學、哲學、通信原理等多方面研究.深度學習可看成是利用計算機模擬人類學習的過程，從激勵響應、函數(shù)結(jié)果中對函數(shù)模型進行優(yōu)化，在提供新變量數(shù)據(jù)的同時，按照模型對即將產(chǎn)生的激勵結(jié)果進行判斷.近年來，在互聯(lián)網(wǎng)和計算機技術(shù)飛速發(fā)展之下，深度學習也得到飛速發(fā)展，在語音識別、輔助判定等方面成果豐厚，同時在語音識別、視頻識別領(lǐng)域也獲得可喜成績.

1.2 人臉識別技術(shù)

該技術(shù)屬于生物識別技術(shù)的一種，以人臉特征信息為依據(jù)，通過獲取靜態(tài)或動態(tài)的臉部信息，與事先預留的信息進行對比，由此得出識別者的信息，達到身份認證、人臉辨識的目標.

1.3 人工神經(jīng)網(wǎng)絡

該技術(shù)主要借助計算機、網(wǎng)絡等技術(shù)對生物神經(jīng)網(wǎng)絡進行模仿和研究，具有以下特征：一是非線性，在自然界之中大多數(shù)系統(tǒng)均具備該特征，神經(jīng)網(wǎng)絡中的神經(jīng)元具有開關(guān)兩種狀態(tài)，因此可對非線性系統(tǒng)進行模擬;二是非穩(wěn)定性狀態(tài)，神經(jīng)網(wǎng)絡的性能判定是利用數(shù)據(jù)迭代來完成，性能并非固定不變，而是不斷發(fā)展和完善;三是非平衡狀態(tài)，在性能優(yōu)化過程中，對系統(tǒng)單元均衡性產(chǎn)生影響，在特定狀態(tài)下，性能提升與特定函數(shù)提升之間存在決定性關(guān)系.通過大量實驗表明，最佳的算法為反向傳播算法，在該原理的指導下通過系統(tǒng)響應修正、輸入激勵等方式進行優(yōu)化，使系統(tǒng)的判斷力得到顯著提升，主要分為兩個階段，一是激勵正向輸入，二是不斷逼近測試結(jié)果的調(diào)整.目前，在網(wǎng)絡技術(shù)飛速發(fā)展之下，計算機性能不斷提升，對大數(shù)據(jù)、云計算技術(shù)發(fā)展起到極大助力，在反向傳播算法的引導下深度神經(jīng)網(wǎng)絡獲得了更大的應用價值[1].

2 基于深度學習的人臉識別技術(shù)

2.1 特征提取

在人臉識別技術(shù)研究中，主要障礙在于圖像噪聲干擾，主要體現(xiàn)在背景、光線與表情變化等方面，如若未對干擾信息進行有效處理，很可能對識別準確率產(chǎn)生不良影響.在本文的研究中，首先對干擾因素進行排除，然后提取圖像特征，具體內(nèi)容如下.在干擾處理方面，高斯濾波器作為一種先進的信息技術(shù)，主要應用于圖像處理之中，針對圖像噪聲與失真問題進行處理，該設備主要操作原理為：采用模板對圖像中的全部要素進行掃描，明確領(lǐng)域內(nèi)部像素的加權(quán)平均灰度值，用其替代模板中心像素點.可將圖像看成二維矩陣，利用以下公式進行轉(zhuǎn)化：

采用LBP算法對圖像中的特征進行提取，主要應用到紋理之中，首先將圖像劃分為多個小面積區(qū)域，針對各個區(qū)域中特定像素，將其與四周8個相鄰像素進行對比，如若像素與周圍任意像素要量，則在空字節(jié)字符串的后方加上“0”，反之加“1”，由此循環(huán)，得到一個8位的二進制數(shù)，對該區(qū)域內(nèi)的直方圖進行計算，每個直方圖均為特征向量.當整個區(qū)域全部計算完畢后，可采集到整個圖像中的特征向量，直方圖可用公式表示為：

2.2 聚合與分類

在圖像主要特征提取滯后，需要采用特征聚合器，通過視覺詞匯對圖像特征進行表達，在此過程中任意特征均可在表中體現(xiàn)出來，最終圖像特征將轉(zhuǎn)變?yōu)樘囟ǖ脑~匯集，以此方式構(gòu)建詞匯頻率直方圖.完成上述操作之后，任意機器學習分類均可實現(xiàn)，首先，采用分類器進行集訓，然后利用測試集進行驗證.在本文研究中，采用多層感知器使分類問題得以解決，該設備屬于前向結(jié)構(gòu)人工神經(jīng)網(wǎng)絡，采用梯度下降算法，緩解以往無法對線性數(shù)據(jù)進行識別的弊端.此外，該設備還可在反向傳播算法的指導下，明確架構(gòu)中的神經(jīng)元損失情況，使模型得到進一步的改進與優(yōu)化，在該方式實施過程中，誤差函數(shù)為：

2.3 并行網(wǎng)絡結(jié)構(gòu)

深層神經(jīng)網(wǎng)絡的表達能力相對更強，可使待識別圖像充分體現(xiàn)出來，但是在訓練方面樣本眾多，存在梯度擴散問題，訓練難度較大.現(xiàn)階段，最為行之有效的方式便是采用大量無標簽數(shù)據(jù)進行逐層訓練，首先對首層網(wǎng)絡進行訓練，將訓練結(jié)果最為第二層的訓練樣本，最終加入少量帶標簽的數(shù)據(jù)進行細微調(diào)整.在本文的研究中，提出一種新型的網(wǎng)絡結(jié)構(gòu)，可使人臉表情得到有效識別.首先采用無監(jiān)督學習方式，利用大量樣本訓練出尺度不一的卷積核，將其作為底層濾波器，對特征進行提取，針對帶標簽的數(shù)據(jù)首先采用無監(jiān)督的方式訓練3層SAE網(wǎng)絡，再將多個子網(wǎng)絡并聯(lián)起來，輸出One-hot編碼，找出網(wǎng)絡最大的輸出值，即與輸入表情圖片相對應.在訓練網(wǎng)絡的過程中，在單獨訓練時，7個網(wǎng)絡可劃分為7類表情，例如，將全部高興的表情樣本構(gòu)建一個高興網(wǎng)絡，采用SAE算法，分別對7個網(wǎng)絡進行逐層訓練，構(gòu)建三層網(wǎng)絡，完成上述操作后再疊加一層，最終對整體損失函數(shù)進行微調(diào).

2.4 數(shù)據(jù)集

在本文開展的實驗中，數(shù)據(jù)集主要選擇Faces 96與Grimace兩種，之所以選擇這兩種，一方面由于二者的難度較高，另一方面可更為全面的測試本文提出的方法.Faces96中主要包括147個人，約2840張圖片，每張圖像的面部表情、臉部運動較為相似，但是在背景、頭部比例、光線等方面存在較大不同;Grimace中主要包括18個人，約3600張圖片，每張圖片的背景、頭部比例、光線相近，但部表情、臉部運動不盡相同.

2.5 實驗結(jié)果

根據(jù)數(shù)據(jù)集測量得出以下結(jié)果，利用Faces96數(shù)據(jù)集進行測量，精確度為0.94，召回率為0.93，準確度為0.928;利用Grimace數(shù)據(jù)集進行測量，精確度為0.97，召回率為0.97，準確度為0.967.由上述結(jié)果可知，在前者進行測試時，準確度為92.8%，后者測試的準確度為96.7%.此外，當圖像出現(xiàn)明顯的光線改變時，此種方式將展示出較低的準確度.在后續(xù)研究中，應對圖像特征提取算法進行優(yōu)化和完善，使其在多種特殊狀態(tài)下也可達到理想的識別效果[4].

3 基于深度學習的人臉識別系統(tǒng)與應用

在電視節(jié)目中，除了人臉之外還存在諸多無關(guān)內(nèi)容，這些內(nèi)容會對識別系統(tǒng)造成干擾，影響識別效率.此外，還可能導致迭代結(jié)果受到影響，無法實現(xiàn)優(yōu)化目標.對此，當識別技術(shù)在電視節(jié)目中應用時，首先要將畫面中的無關(guān)信息進行篩除.

3.1 系統(tǒng)設計

根據(jù)人臉識別的特定需求，與深度學習特征相結(jié)合，構(gòu)建人臉自動識別系統(tǒng)架構(gòu)，該系統(tǒng)應具備可拓展性、7×24h穩(wěn)定運行等特征，該系統(tǒng)主要內(nèi)容如下：

（1）編目模塊.該模塊主要作用在于節(jié)目下載、編目與存儲，在各監(jiān)測系統(tǒng)中對待檢驗節(jié)目進行下載，并存儲.對于下載完畢的節(jié)目進行初步識別、標記與切段，在該模塊中還應對識別人物的特征參數(shù)進行存儲;

（2）處理模塊.在人臉自動識別系統(tǒng)中，處理單元屬于核心內(nèi)容，主要作用在于視頻圖像信息中是否包含人臉信息，將無關(guān)信息進行剔除后，將人臉位置進行校正.將規(guī)范化的人臉信息輸入到深度學習系統(tǒng)之中，將最終的判定結(jié)論輸出.該模塊還應對訓練學習目標進行完成，通過多次反復數(shù)據(jù)迭代等形式，使系統(tǒng)功能得以優(yōu)化;

（3）業(yè)務模塊.主要分為系統(tǒng)管理、數(shù)據(jù)維護、參數(shù)設置等內(nèi)容，在任務管理方面包括任務確立、實時下載等.在該模塊中，最為關(guān)鍵的便是人工審核，按照系統(tǒng)規(guī)劃，實現(xiàn)自動識別，將結(jié)果進行對比后復核;

（4）業(yè)務流程.不同監(jiān)測系統(tǒng)均按照實際需求對待檢測節(jié)目錄像進行下載，對節(jié)目影像進行預處理，主要包括節(jié)目格式、人臉信息等，將處理完畢的人臉輸入到檢測系統(tǒng)之中.系統(tǒng)將待檢測的數(shù)據(jù)放入特征庫中進行對比，將檢測結(jié)果上報人工，由人工完成數(shù)據(jù)的復核工作，確保數(shù)據(jù)的真實有效.

3.2 系統(tǒng)應用

3.2.1 人臉偵測

電視節(jié)目是由多個幀畫面構(gòu)成，在每幀畫面之中檢測是否存在人臉，并將人臉之外的無關(guān)信息進行過濾.在以往人臉偵測過程中，主要采用模板對比的方式，通過色澤、對比度等信息進行核實，但此種方式的耗時較長、識別率較低，采用P網(wǎng)絡進行偵測設計可有效彌補上述缺陷.Multi-task算法在人臉偵測中較為常用，該算法的第一層為p-net，可準確界定人臉邊緣區(qū)域，并對相同人物的畫面進行分類;第二層為r-net可明確人臉位置區(qū)域，將首層確認的非人臉區(qū)域進行過濾;第三層可在前兩層的基礎上進行深化，使人臉區(qū)域的界定更加精準.在電視節(jié)目中，人臉各種各樣，且顏色、方向、大小不盡相同，如若未采用分類訓練的方式，很可能增加后續(xù)判斷的難度與正確率.對此，應對多種類別、形態(tài)的人臉進行規(guī)范處理，設置統(tǒng)一的人臉預處理樣本，針對電視圖像中的人臉進行平移和縮放，使其處于畫面中心位置[5].

3.2.2 特征提取

在預處理之后，對人臉圖像中的特征與模型相對比，獲取規(guī)范的人臉特征參數(shù)與特征向量;采用卷積神經(jīng)網(wǎng)絡對特征向量與節(jié)點相互對應，為特征分類提供便利.由于特征類型多種多樣，在預處理過程中獲取的向量維度也不盡相同.因此，可通過將高緯度降低的方式，在不改變信息熵的同時，使系統(tǒng)設計與訓練的難度降低，由此獲得良好的合成向量.此類向量中很可能存在諸多冗余信息，此類信息的存在使識別負擔增加，影響判定效率，因此可在設計中通過稀疏特征向量的方式，使這一問題得到有效解決[6].

3.2.3 構(gòu)建樣本數(shù)據(jù)庫

深度學習技術(shù)是借助海量數(shù)據(jù)資源與云計算技術(shù)來實現(xiàn)，在海量數(shù)據(jù)中，勢必包含諸多對系統(tǒng)迭代優(yōu)化產(chǎn)生阻礙的數(shù)據(jù)，此類數(shù)據(jù)為無效數(shù)據(jù).在當前的研究機構(gòu)中擁有的人臉樣本數(shù)據(jù)大多不夠規(guī)范，對此，部分研究機構(gòu)開始構(gòu)建自己的人臉數(shù)據(jù)庫，例如，VGGface數(shù)據(jù)庫中包括260萬張人臉樣本，屬于當前國內(nèi)最大的人臉數(shù)據(jù)庫，此外還有CASIA等，均為人臉數(shù)據(jù)資源的主要存儲地.目前，部分網(wǎng)絡爬蟲技術(shù)通過網(wǎng)絡渠道尋找更多的人臉樣本，充實人臉數(shù)據(jù)庫，力求使此類資源規(guī)范后得到廣泛應用.

4 結(jié)論

綜上所述，現(xiàn)階段，深度學習已經(jīng)在圖像識別、視頻識別、語音識別等多個領(lǐng)域中得到廣泛應用，使以往受背景、光線等影響的弊端得到有效克服，提高人臉識別的精準度.在未來的發(fā)展中，應加強對該項技術(shù)的研究，使其在多種復雜條件下也可獲得理想的識別效果.

參考文獻：

〔1〕付學桐.基于深度學習的人臉識別技術(shù)研究[J].通訊世界，2019（02）：305-306.

〔2〕劉施樂.基于深度學習的人臉識別技術(shù)研究[J].電子制作，2018（24）：52-53+98.

〔3〕夏洋洋.基于深度學習的非限定條件下人臉識別研究[D].西南交通大學，2017.

〔4〕趙夢潔.基于深度學習的人臉識別關(guān)鍵技術(shù)研究與實現(xiàn)[D].西安電子科技大學，2018.

〔5〕陳超.基于深度學習的人臉識別系統(tǒng)的設計與實現(xiàn)[D].南京郵電大學，2017.

〔6〕王立凱.基于卷積神經(jīng)網(wǎng)絡的人臉識別研究與設計[J].通信電源技術(shù)，2019（07）：117-118.