人臉識(shí)別技術(shù)的算法優(yōu)化和流程修改研究

鞏震 陳丹紅

摘? 要：目前，在普通手機(jī)解鎖、面部鎖定、面部掃描支付和安全防衛(wèi)等領(lǐng)域，人臉識(shí)別信息技術(shù)都有著非常廣泛的應(yīng)用。傳統(tǒng)的機(jī)器學(xué)習(xí)算法是基于人的臉部特征的，由于每類樣本的不均衡性嚴(yán)重和場景效果的欠缺等因素，算法實(shí)現(xiàn)的效果常常不是很理想。本文將針對(duì)目前人臉識(shí)別技術(shù)領(lǐng)域的高語義特征及深度特征提取的缺陷，以及人工提取存在的誤差，運(yùn)用深度學(xué)習(xí)算法和類比中心等算法，提高人臉識(shí)別在特征提取領(lǐng)域的技術(shù)能力。利用卷積神經(jīng)網(wǎng)絡(luò)減少人工干預(yù)，提高特征提取的算法精度，從而提高損失函數(shù)的精確值。

關(guān)鍵詞：人臉識(shí)別;算法優(yōu)化;深度學(xué)習(xí);卷積神經(jīng)網(wǎng)絡(luò)

中圖分類號(hào)：TP312? ? ?文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：2096-1472（2021）-01-10-03

Abstract： Face recognition technology is widely used in ordinary mobile phone unlocking， face locking， face scanning payment， and security protection. Traditional machine learning algorithms are based on human facial features， and the effect is often not ideal due to serious imbalance of each type of sample and lack of scene effect. This paper aims to use deep learning algorithm and analog center algorithm to improve technical capability of face recognition with respect to feature extraction. Thus， defects of high semantic features and deep feature extraction， as well as errors in manual extraction will be greatly reduced. Convolutional neural network is used to reduce manual intervention， improve accuracy of feature extraction algorithm， so to improve the performance of loss function.

Keywords： face recognition; algorithm optimization; deep learning; convolutional neural network

1? ?引言（Introduction）

人臉識(shí)別始于20世紀(jì)60年代，隨著計(jì)算機(jī)技術(shù)和光學(xué)成像技術(shù)在最近幾年的興起和神經(jīng)網(wǎng)絡(luò)技術(shù)的發(fā)展，特別是神經(jīng)卷積網(wǎng)絡(luò)的巨大成功，人臉識(shí)別系統(tǒng)在人的圖像識(shí)別和檢測臉型的效果方面有了很大的提高。但是，傳統(tǒng)的人臉識(shí)別系統(tǒng)下算法分析技術(shù)的發(fā)展仍然存在巨大的不足，這也是本文想要探討和改善的。對(duì)此，本文將利用人臉面部檢測、局部二值模式、線性鑒別分析和深度學(xué)習(xí)網(wǎng)絡(luò)來對(duì)傳統(tǒng)的人臉識(shí)別流程做相關(guān)的優(yōu)化和修改，促使計(jì)算機(jī)能夠在最大程度上深入圖像的高語義，進(jìn)一步挖掘其深度特征。同時(shí)，針對(duì)對(duì)比損失算法、采樣算法、類比中心損失算法、深度學(xué)習(xí)下Heatmap算法和軌跡追蹤算法做進(jìn)一步的修改，不斷提高其精準(zhǔn)度，減小其具體的誤差。最后，利用卷積神經(jīng)網(wǎng)絡(luò)來處理人臉問題，降低人工干預(yù)，減小人為誤差，提高機(jī)器自動(dòng)化率。

2? ?傳統(tǒng)人臉識(shí)別的過程（The process of traditional face recognition）

無論是基于傳統(tǒng)的機(jī)器學(xué)習(xí)技術(shù)進(jìn)行圖像處理，還是采用深度學(xué)習(xí)的信息技術(shù)進(jìn)行圖像處理，過程都是一樣的。面部識(shí)別系統(tǒng)有四個(gè)基本組件：人臉檢測、對(duì)齊、匹配和編碼組成。因此，應(yīng)該對(duì)基于傳統(tǒng)圖像數(shù)據(jù)處理技術(shù)和機(jī)器學(xué)習(xí)算法的人臉識(shí)別信息系統(tǒng)進(jìn)行整體的研究和概述，以求得到傳統(tǒng)人臉識(shí)別的處理過程，如圖1所示。

3? 經(jīng)典的人臉識(shí)別機(jī)器學(xué)習(xí)算法（Classical face recognition machine learning）

經(jīng)典的人臉識(shí)別機(jī)器學(xué)習(xí)算法主要是借助計(jì)算機(jī)隨機(jī)生成的一個(gè)建議框，然后再利用它做相關(guān)目標(biāo)的檢測工作，這個(gè)過程主要分為兩步。

（1）第一步，生成一個(gè)建議框。這個(gè)步驟最簡單的思想是在圖像中裁剪出一堆要檢測的幀，然后檢測幀中是否有目標(biāo)。如果有目標(biāo)，那么建議框在原始圖像中的位置就會(huì)檢測到目標(biāo)的位置。因此，此步驟中目標(biāo)的覆蓋率越高，生成建議框的策略就越好。常用的建議框生成策略有滑動(dòng)窗口、選擇性搜索、隨機(jī)prim候選框等。人臉識(shí)別候選框如圖2所示。

（2）第二步，在得到特征向量后，可以使用傳統(tǒng)的機(jī)器學(xué)習(xí)分類器對(duì)特征進(jìn)行分類，如AdaBoost、CASCADE、SVM、隨機(jī)森林等。經(jīng)過中國傳統(tǒng)的分類器分類，可以得到人臉識(shí)別區(qū)域、特征向量和分類置信度。通過這些信息，可以完成人臉的對(duì)齊、特征的表示以及匹配識(shí)別等工作。

4? 傳統(tǒng)人臉識(shí)別過程存在的問題分析（Analysis of existing problems in the process of traditional face recognition）

傳統(tǒng)的機(jī)器學(xué)習(xí)算法是基于人的臉部特征的，需要通過算法工程師大量的專家工作經(jīng)驗(yàn)來進(jìn)行數(shù)據(jù)特征信息工程和參數(shù)的調(diào)整，對(duì)于一個(gè)龐大的人臉類別，由于每類樣本的不均衡性嚴(yán)重、場景效果不是很好等因素，算法實(shí)現(xiàn)效果有時(shí)會(huì)不是很理想。

比如，傳統(tǒng)的人臉識(shí)別算法生成和使用的特征依然是淺層特征，無法從原始數(shù)據(jù)圖像中獲得更深入的高語義特征及其深度特征;為了獲得良好的識(shí)別效果，這些傳統(tǒng)的人臉識(shí)別算法必須結(jié)合人臉部位的特征，但在特征提取和識(shí)別過程中，人工的提取特征往往會(huì)出現(xiàn)意想不到的人為誤差;同時(shí)傳統(tǒng)的人臉識(shí)別算法在進(jìn)行識(shí)別時(shí)，在沒有人工干預(yù)的情況下，無法從原始圖像中自動(dòng)提取出有用的系統(tǒng)特征，而且在面對(duì)大數(shù)據(jù)時(shí)，傳統(tǒng)人臉捕捉方法更表現(xiàn)出其自身的巨大缺陷和困難。

5? 人臉識(shí)別技術(shù)的優(yōu)化和修改（Optimization and modification of face recognition technology）

5.1? ?克服高語義特征及深度特征進(jìn)行的人臉識(shí)別的算法流程修改

針對(duì)高語義特征及深度特征的缺陷進(jìn)行相關(guān)人臉識(shí)別算法流程的分析與修改如下。

5.1.1? ?直方圖均衡

使用OpenCV功能實(shí)現(xiàn)。OpenCV提供了直方圖均衡功能——CV：：equalizeHist（），我們通過修改下面的main函數(shù)，并且采用直方圖均衡化功能來實(shí)現(xiàn)這一點(diǎn)，效果如圖3所示。

int main（）

{

Mat image = imread（"Fig3.15（a）1top.BMP"， 0）;

Histogram1D h;

Mat histo = h.getHistogram（image）;

for （int i = 0; i < 256; i++）

{

if （histo.at（i） ！= 0）

cout << "Value " << i << " = " << histo.at（i） << endl;

}

namedWindow（"Histogram"）;

imshow（"Histogram"， h.getHistogramImage（image））;

/*namedWindow（"Cell"）;

imshow（"Cell"， image）;

equalizeHist（image， image）;

namedWindow（"CellequalizeHist"）;

imshow（"CellequalizeHist"， image）;

namedWindow（"Histogram2"）;

imshow（"Histogram2"， h.getHistogramImage

（image））;*/

waitKey（0）;

return 0;

}

5.1.2? ?視網(wǎng)膜圖像增強(qiáng)

基于Retinex的圖像增強(qiáng)的目的是從原始圖像中估計(jì)出光亮度L，然后對(duì)r進(jìn)行分解以消除光照不均勻的影響，從而改善圖像的視覺效果，就像人類的視覺系統(tǒng)一樣。Retinex算法分為三類，即從SSR（單尺度Retinex）到MSR（多尺度Retinex）再到最常用的Msrcr（多尺度Retinex帶顏色進(jìn)行恢復(fù)）[1]。Msrcr算法使用顏色恢復(fù)因子C來調(diào)整三個(gè)顏色通道在原始圖像中的比例[2]，以突出較暗區(qū)域的信息，從而消除圖像顏色失真的缺陷。

5.2? ?減少人工誤差問題的算法分析與修改

針對(duì)人工設(shè)定的特征通常在特征提取和識(shí)別過程中存在著不可預(yù)期的人工誤差問題的算法，分析與修改如下。

5.2.1? ?利用深度學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行人臉的識(shí)別

雖然卷積神經(jīng)網(wǎng)絡(luò)是一個(gè)黑箱模型，但它可以選擇通過分析數(shù)據(jù)進(jìn)行訓(xùn)練來表示圖像和對(duì)象的特征。因此，人臉識(shí)別算法可以通過卷積網(wǎng)絡(luò)提取大量的人臉特征向量，然后根據(jù)相似性判斷與數(shù)據(jù)庫進(jìn)行比較，完成人臉識(shí)別的過程。針對(duì)這一問題第一用到的就是對(duì)比損失法，對(duì)比損失法不僅考慮到同一類中的距離最小化，還考慮到使用不同類中的距離最大化，充分利用深度學(xué)習(xí)網(wǎng)絡(luò)來訓(xùn)練樣品的圖片數(shù)據(jù)信息，提高臉部識(shí)別的精度。本質(zhì)上，損失函數(shù)是利用同一人的照片在特征空間中距離足夠近，而同一人在特征空間中的距離足夠遠(yuǎn)的特征來進(jìn)行判斷的，直到距離超過特定的閾值。

5.2.2? ?對(duì)比損失的不足

由于對(duì)比度損失需要準(zhǔn)備大量正負(fù)樣本，不可能長時(shí)間遍歷所有可能的樣本組合;沒有相應(yīng)的數(shù)學(xué)理論支持，優(yōu)化的性能也非常有限，算法不易解釋，因此使用性價(jià)比不高。

5.2.3? ?對(duì)比損失的修改

利用現(xiàn)有的三重法不能充分運(yùn)用小批量SGD訓(xùn)練批量的缺點(diǎn)，創(chuàng)造性地將成對(duì)距離向量轉(zhuǎn)化為成對(duì)距離矩陣，設(shè)計(jì)了一種新的結(jié)構(gòu)化數(shù)據(jù)損失函數(shù)[3]，這樣，訓(xùn)練數(shù)據(jù)就可以以較大的概率找到硬陰性的樣本具體位置。隨著訓(xùn)練的不斷進(jìn)行，硬樣本的訓(xùn)練將最大化類中距離，最小化類內(nèi)距離。

5.2.4? ?類別中心損失存在的不足

當(dāng)負(fù)樣本很硬時(shí)，損失函數(shù)會(huì)很平滑，所以意味著梯度會(huì)很小。對(duì)于訓(xùn)練來說，這意味著很硬的樣本不能得到充分的訓(xùn)練，網(wǎng)絡(luò)不能獲得硬樣本的有效信息，因此硬樣本的效果會(huì)變差，從而偏離中心值。

5.2.5? ?對(duì)類別中心損失算法的修改

將同一類別壓縮在一起，最終得到更具區(qū)分性的特征。中心損失是指為每個(gè)類別管理提供這樣一個(gè)類別信息中心，并使最小批次的和對(duì)應(yīng)中心一類每批樣品之間的最小距離，從而達(dá)到距離類內(nèi)的距離最小的目的[4]。

5.3? 從原始圖像中自動(dòng)提取出識(shí)別特征的算法分析與修改

針對(duì)傳統(tǒng)的人臉識(shí)別算法在沒有人工干預(yù)的情況下，無法從原始圖像中自動(dòng)提取出有用的識(shí)別特征問題的算法，分析與修改如下。

為了找到一種特征組合的方法，以實(shí)現(xiàn)最大類間離散度和最小類內(nèi)離散度，建議在低維表示中，相同的類應(yīng)該緊密地聚集在一起;而不同的類，也應(yīng)該盡可能地遠(yuǎn)離。但是，由于這些算法都是基于特征的，這就需要算法工程師有大量的專家經(jīng)驗(yàn)來調(diào)整特征和參數(shù)[5]。對(duì)于數(shù)據(jù)量大的人臉類別，由于每種樣本的嚴(yán)重不平衡的特點(diǎn)，使得場景效果不是很好，算法效果也不是很好。因此，我們可以利用深度學(xué)習(xí)中的卷積神經(jīng)系統(tǒng)網(wǎng)絡(luò)解決這一問題，總的來說，就是將輸入的面部圖像信息轉(zhuǎn)換為矢量表示[6]。

6? ?結(jié)論（Conclusion）

目前，對(duì)人臉識(shí)別算法的優(yōu)化達(dá)到了瓶頸期，技術(shù)層面、面部結(jié)構(gòu)的相似性、面部姿勢、年齡的變化、復(fù)雜環(huán)境的光照變化、面部裝飾物的屏蔽等方面的檢測[7]，也面臨著很多問題，因此，基于各種算法技術(shù)的融合，解決人臉識(shí)別中的各種問題仍然擁有巨大的市場發(fā)展前景。而且由于神經(jīng)元數(shù)目多、操作時(shí)間長的特點(diǎn)，需要多幅人臉圖像進(jìn)行訓(xùn)練，但是在訓(xùn)練過程中需要人為地不斷調(diào)整一些參數(shù)，這就造成了巨大的不便，所以，對(duì)深度學(xué)習(xí)算法本身的研究，依然是未來發(fā)展的重點(diǎn)。[8]同時(shí)，運(yùn)用深度學(xué)習(xí)算法和類比中心等算法可以提高人臉識(shí)別在技術(shù)領(lǐng)域的高語義特征的提取，利用卷積神經(jīng)網(wǎng)絡(luò)減少人工干預(yù)和誤差，也應(yīng)該廣泛采用。

參考文獻(xiàn)（References）

[1] 孫權(quán)，姚素英，李健，等.基于邊緣檢測的Retinex圖像增強(qiáng)算法[J].電子技術(shù)應(yīng)用，2013（09）：50-53.

[2] 張茗芳.動(dòng)態(tài)語言Python探討與比較[J].企業(yè)科技與發(fā)展，2012（07）：57-60.

[3] 鐘森海，汪烈軍，張莉.單訓(xùn)練樣本條件下的人臉識(shí)別算法研究[J].激光雜志，2014（03）：25-27.

[4] 徐向文，趙麗娜.人臉識(shí)別距離函數(shù)的討論[J].中國科技博覽，2011（22）：81-82.

[5] 齊萌.Android環(huán)境下基于人臉識(shí)別的手機(jī)解鎖技術(shù)研究與軟件開發(fā)[D].江蘇：東南大學(xué)，2016.

[6] 肖陽.人臉檢測算法綜述[J].電子技術(shù)與軟件工程，2014（04）：113-116.

[7] HyoJoon Kim， SangHui Jeong， JiHyeon Seo， et al. Augmented reality for botulinum toxin injection[J].Concurrency and Computation： Practice and Experience， 2020， 32（18）：59-63.

[8] TaoYang， Xuran Zhao， Xun Wang， et al. Evaluating facial recognition：web services with adversarial and synthetic samples[J]. Neurocomputing， 2020， 46（13）：16-19.

作者簡介：

鞏? ?震（1999-），男，本科生.研究領(lǐng)域：軟件開發(fā)，信息研究.

陳丹紅（1970-），女，碩士，教授.研究領(lǐng)域：項(xiàng)目管理，信息研究.