人臉識別技術研究與分析

作者/向花儀，重慶第八中學校

1.人臉識別發展概述與技術難點

人臉識別技術是自本世紀六七十年代就興起的，計算機視覺領域的典型應用，由于其涉及生理學、模式識別和認知科學等多個領域，因此其發展也受到這些領域難點的限制。

人臉識別主要包括人臉檢測定位和人臉特征提取識別。前者是從背景中分割出人臉目標，經過歸一化處理，后者要求特征提取算法具有不變性。前者面臨的技術難點在于人臉目標模式的多樣性和背景的復雜性。因此，對背景情境做合理假設以簡化問題是非常必要的。在此基礎上，高維空間人臉模型的構建是最復雜的部分，因為建立精確估計需要充足的負樣本，負樣本的產生和利用是研究熱點之一。與其他機器學習應用類似，統計與知識相結合能達到更好效果。后者面臨的技術難點在于人臉是彈性模型，建模難度高于剛體建模。因此, 任何基于剛體特性的特征抽取方法都很難達到滿意的效果。此外，人臉的多變性與心理學和生理學特征相關，因此，將彈性建模與人類視覺特點相結合效果更好。

2.人臉檢測定位與人臉特征提取識別技術概述

本篇將分別綜述人臉檢測定位技術和特征提取識別技術。

人臉檢測定位技術使依據統計或知識或兩者結合的方法進行建模, 再判斷待測區域與人臉模型的匹配度。統計方法是將人臉看做高維向量, 從而將問題轉化為高維信號分布檢測，主要包括分類法和子空間法、空間陪陪濾波器法等三種方法。最常用的是分類器法，將人臉檢測看做人臉與非人臉的二分類問題。知識方法是建立規則, 將問題轉化為驗證假設問題。主要包括以下五類規則[1]：(1)分布規則:人臉器官何有差別，但其分布穩定，所以可將人臉檢測轉化為是否存在符合分布的規則塊。包括“自上而下”和“自下而上”兩種方法。Yang等人提出Mosaic方法屬于前者，后者需先對器官分布位置做檢測,然后組合各位置點, 再利用分布規則篩選出可能人臉。此外，人臉各器官分布具有對稱性，也可加入特征工程提高檢測精度和速度。(2)輪廓規則:人臉的輪廓近似橢圓,基于此規則，Goyind提出認知模型,人臉建模為上下兩個弧和兩條直線, 問題轉化為對直線和弧的檢測。(3)紋理和顏色規則[2]：利用顏色信息可將人臉與背景分割開來，此處的重點是處理復雜背景下目標物體的檢測。(4)運動規則:在動態場景的人臉檢測任務中，可利用說話、眨眼等信息更方便分割人臉目標和背景。

在人臉檢測定位后，特征檢測前，需要做歸一化處理。幾何歸一化是對大小和位置做調整，灰度歸一化是做光線變化。

人臉特征提取與識別方法主要有以下幾種[3]：(1)幾何特征法。人臉各組成部件自身的差異性和組合結構的多樣性是兩大類特征。經典算法有參數法和可變模板法。(2)特征臉算法。該方法基于特征變換，實用且簡單，但由于其依賴于訓練集和測試集圖像的相似性，局限性較大。(3）彈性模型法。人臉可看做畸變不變性物體，再應用動態鏈接模型將該目標描述為稀疏圖，以此作為彈性模型的特征從而做人臉識別。

3.深度學習算法解決人臉識別問題

2006年以前，超過三層的神經網絡模型效率低下，其后，Geoあrey教授在Science上發表的一篇關于深度學習的論文，再次引發了神經網絡的研究熱潮。該文章有兩大觀點：一是多隱含層的神經網絡特征學習效果突出，能學習到圖像的本質特征；二是多層神經網絡的優化復雜度可以通過“逐層初始化”得到克服。正是這兩個核心觀點的出現加之研究學者的不斷努力，使得神經網絡攻克難以訓練的危機，再次成為大數據和人工智能時代的主角。

在傳統的圖像處理技術主要包括特征提取和分類器兩部分，特征提取算法的設計復雜性與應用局限性、穩定性，以及特定的特征提取算法與特定的分類器相結合的多樣性限制著圖像處理技術的發展。神經網絡的出現，使端到端的圖像處理成為可能，當網絡的隱藏層發展到多層時便稱之為深度學習，但同時需要用逐層初始化技術解決深層次網絡訓練難度大的問題，之后深度學習便成為時代的主角。而卷積神經網絡（CNN）便是深度學習與圖像處理技術相結合所產生的經典模型，實現該模型的網絡實例在特定的圖像問題處理上都卓有成效。

神經網絡之所以能和圖像領域相結合，并呈現巨大的發展前景，是有生物學依據的。人類視覺信息處理機制的發現，是19世紀19年代生物學界的重大發現之一，它證明了大腦可視皮層是分級存在的。人的視覺系統是一個反復抽象和迭代的過程。而卷積神經網絡，就模擬了這個過程。首先，每一個卷積層，便是將具體信息做抽象的過程，而多個卷積層串聯操作，便是將上一層的抽象結果再做抽象處理的過程，稱之為迭代。在這個抽象迭代的過程中，不斷抽取大腦可感知的高維度特征。如當一幅圖像經過視網膜進入視野，首先會將光線像素等信息抽象為圖像邊緣信息，然后再抽象為目標物體的某一部位，再抽象為物體輪廓形成對整個目標的感知。

卷積神經網絡包括卷積池化層操作和全連接層操作[4]。該網絡基于傳統神經網絡，主要做了參數數量和訓練難度方面的優化。后者各層網絡之間采用的是全連接，導致參數數量較多，由此便需要足夠多的訓練數據才可能達到較好的訓練效果，這限制了網絡的深度和大小。前者采用局部視野和參數共享機制，大大較少了參數數量。局部視野就相當于人再觀察世界時，并不是全局觀察，而是分局部觀察，每個局部會觀察到一些特征，這些特征組合起來便是整個視野的特征。參數共享就好比是每個人觀察不同的物體時所用的都是同樣的視覺系統，而不同人的視覺系統則不同。而全連接層用的便是傳統的神經網絡加上分類器，最后一層神經元個數等于分類結果的個數，分類器多選擇LR或SoftMax。

卷積神經網絡已成功應用到多種圖像處理應用中，如分類、檢索、圖像語義分割、手寫識別等。深度學習算法在人臉識別上的應用比起傳統方法優勢明顯, 因為對人臉識別的許多規律或規則進行顯性的描述是相當困難的, 而神經網絡方法則可以通過學習的過程獲得對這些規律和規則的隱性表達, 適應性更強且更容易實現。

用CNN替代特征提取算法后，人臉識別技術實現了端到端處理[5]，不再需要復雜的處理流程和巧妙的模型搭配即可完成。正是因為端到端的屬性，使得包括CNN在內的深度學習算法像黑盒子一樣被應用于各個任務中。雖然深度學習用逐層處理化解決了神經網絡訓練難的問題，CNN又用局部視野和權重共享解決了神經網絡參數過多的問題，但其同樣面臨著模型負責，調參難度大，所需訓練數據量大的困難。在此基礎上，又出現了殘差網絡、遷移學習等技術使得深度學習應用更加廣泛。遷移學習應用于圖像處理領域，便是如R–CNN算法所示，用到其他任務上所訓練出的中間結果，如多個卷積層所得到的4096維向量，最后根據需求加上自己的全連接層即可。遷移學習大大解決了訓練難度大所帶來的領域難題。

4.人臉識別應用創新

人臉識別的用途現在越來越廣，各行各業都在嘗試用人臉識別提升客戶體驗、優化服務水平，除了百度進行的以圖搜圖應用以外，還有如通過用戶所上傳的圖片自動識別人臉按人物進行相冊分類，或通過人臉識別進行物理防盜，找通緝犯，和進行安保系統的設計，本文接下來將以人臉識別部分的現有理論為基礎，提出部分創新應用。

（1）臉盲癥應用。這一現象在社交恐懼和生理疾病的人群中較為常見。例如在觀察電影中，這類人群并不能在幀快速切換中記住每個人物，基于人臉識別技術，可以對影像視頻每一幀中出現的人物做人名標注。

（2）特殊人物偵查系統。在開放空間做精確快速的人臉識別可能并不實際，但在特定數據庫中做人臉檢索卻切實可行。基于此特性，可以開發一款識別特定人物的應用。如“老板來了”，在職員瀏覽非工作屏幕時，如果攝像頭捕捉到某人出現在電腦后方某區域，并檢測出該人是老板，便自動報警，切換電腦屏幕至工作頁面。

（3）社交軟件的應用。① 好友度計算。可在用戶上傳某人照片時，在用戶的三度好友數據庫中查找該人照片，作為好友推薦的一個特征，若該人已是用戶好友，則可作為好友親密度的一個特征。② 相親交友網站功能提升。我們可先向用戶展示大量不同類型的異性照片，記錄用戶在該照片上注意力停留時間，對停留時間較高的照片做聚類，作為對象推薦的一個特征。

5.人臉關鍵點檢測應用創新

目前已有大量的美顏、化妝、拍照等軟件可利用面部特征點檢測做個體年齡，性別，職業，身體狀況信息分析，從而實現人臉圖像處理。本文提出了部分創新應用。

（1）虛擬化妝和卸妝。用戶可上傳照片后，用戶可以對導入到軟件中的數碼照片進行如去涂抹口紅、唇線、面部涂粉、描繪眼線和添加飾品等(如耳飾、頭飾、項鏈、眼鏡等)虛擬化妝操作，也可進行相反的卸妝處理，可讓用戶提前看到自己選擇的發型或妝容是否符合自己。

（2）跨年齡人臉識別和跨代人臉識別。① 通過父母的照片，把父母的共同點融合快速的合成為未來孩子的照片。② 在一系列父母小孩照片中找出具有親緣關系的一家人。③ 用戶上傳照片并標明年齡，然后對其進行各個年齡段的長相預測

（3）微表情檢測。① 用戶上傳照片后，與心理學，微表情學相結合，識別心情，或是否撒謊等。② 利用微表情控制程序，如疲勞駕駛時主動提醒，或通過表情控制家具，如鎖門，啟動烘干機等。

人臉識別系統的研究始于20世紀60年代，80年代后隨著計算機技術和光學成像技術的發展得到提高，而真正進入初級的應用階段則在90年后期，并且以美國、德國和日本的技術實現為主；人臉識別系統成功的關鍵在于是否擁有尖端的核心算法，并使識別結果具有實用化的識別率和識別速度；目前“人臉識別系統”已經集成了模式識別、機器學習、模型理論、專家系統、視頻圖像處理等多種專業技術取得了長足進步。人臉識別核心技術的實現，展現了弱人工智能向

* [1]易軍. 人臉識別中的特征提取與度量學習算法研究[D].北京郵電大學,2015.

* [2]胡敏,程天梅,王曉華. 融合全局和局部特征的人臉識別[J].電子測量與儀器學報 ,2013,(09)∶817—822.

* [3]湯德俊. 人臉識別中圖像特征提取與匹配技術研究[D].大連海事大學,2013.

* [4]吳正文. 卷積神經網絡在圖像分類中的應用研究[D].電子科技大學,2015.

* [5]汪濟民. 基于卷積神經網絡的人臉檢測和性別識別研究[D].南京理工大學,2015.