基于卷積神經網絡的人臉識別系統在教學管理中的應用

閆月影 郭海麗

摘 要 針對教學管理工作中身份識別的需求，探討人臉識別系統在教學管理工作中的應用。本課題針對非受控人臉識別問題中各類干擾因素的影響，設計出一種特殊的卷積神經網絡（CNN）進行人臉識別工作。該CNN模型具有多個隱藏層，可以同時提取人臉的局部特征和全局特征，從而極大地提高非受控狀態下人臉識別的準確率。

關鍵詞 人臉識別系統；教學管理；卷積神經網絡；教學管理；深度學習

中圖分類號：G642 文獻標識碼：B

文章編號：1671-489X（2018）22-0013-03

Abstract Aiming at the need of personal identification in teaching management， this paper discusses the application of face recognition system in teaching management. As for the various kinds of inter-ference factors in the uncontrolled face recognition， a special convo-lutional neural network （CNN） for face recognition is designed in this paper. This CNN model has a number of hidden layers， which can extract the local features and global features of the face at the same time， thus greatly improving the accuracy of face recognition in uncontrolled state.

Key words face recognition system； teaching management； convolu-tional neural network； education management； deep learning

1 選題背景及研究意義

生物特征識別技術是一種通過計算機系統，依據人體所固有的生理特征或行為特征來進行身份識別的技術。傳統的生物特征識別技術主要有指紋識別、虹膜識別、DNA識別、靜脈識別、步態識別等。由于這些生物特征識別技術存在各自的缺陷，限制了其應用。人臉識別技術由于其不易被個體察覺的特點，在和眾多生物特征識別技術的角逐中最終勝出，被廣泛地應用于安防監控、刷臉門禁考勤、遠程身份認證、智能相冊分類等諸多領域。

人臉識別在人類日常社會交往活動中起著至關重要的作用，它是人們在與別人交往過程中識別他人身份最直觀的方式。因此，如果能夠設計出一種系統，通過計算機根據采集到的人臉進行身份認證，那將是空前的突破。人臉識別技術是指根據輸入人臉識別系統中的動態視頻或靜態圖像進行分析和處理，提取出能夠用于身份識別的人臉特征向量，最后通過與系統中預先存儲好的人臉信息進行比對和匹配，實現人臉身份認證。

由于人臉識別具有友好性和非打擾性，使其成為近些年來的研究熱點[1]。目前在大數據集、受控條件下（正面人臉、室內光照受控）的人臉識別研究已經取得很好的效果，最近IEEE T-PAMI專刊中介紹真實世界人臉識別的內容表明了這一點[2]。但是在非受控狀態下采集到的人臉圖像，往往包含各類復雜的大范圍遮擋和大姿態變化等，因此，如何在非受控狀態下提高人臉識別的準確率至關重要。

目前的非受控狀態下的人臉識別主要是根據監視器、手機或攝像機等設備捕捉到的人臉圖像進行的身份驗證。由于在這種情況下，當事人并不知道自己的人臉信息正在被采集，人臉可以在任意角度或表情被拍攝到。目前的人臉識別系統魯棒性較差，根本無法消除非受控狀態下各種復雜干擾因素對人臉識別的影響。因此，要解決非受控狀態下各種復雜干擾因素對人臉識別的影響，就需要設計出一種特殊結構的卷積神經網絡，這種神經網絡可以同時提取人臉的局部和全局特征，極大地提高人臉識別系統的魯棒性。

隨著高校教務管理工作信息化的發展，管理工作中對人員身份的準確識別變得至關重要。在學籍管理、考試管理等過程中，經常出現頂替別人的身份入學、替考等現象。為了很好地解決這些問題，需要設計出一種切實可行的身份識別方法。利用本文設計出的針對非受控場景下的人臉識別系統，可以把它應用到教務管理中的學籍管理、課堂考勤、考試監控等工作中，以此來增強教務管理的嚴格性、安全性，很好地避免學籍冒充、考生替考、課堂缺勤等情況的發生。

2 非受控狀態下的人臉識別

在人臉識別過程中，首先輸入一張有待進行身份確認的人臉圖像，之后通過特征提取逐步減少特征向量的維度，再通過將提取好的特征向量與樣本特征庫中的模板進行匹配，最后輸出身份驗證結果。其中一對一的比較是人臉認證工作，一對多的比較則為人臉識別工作。所謂一對多的比較，就是將輸入系統中的人臉圖像特征與樣本數據庫中已給出分類信息的人臉特征進行比對，最后找到匹配度最高的一個，判斷出該人臉的身份。

人臉識別根據人臉圖像采集過程中的外界環境是否穩定，可以分為兩大類，即受控狀態與非受控狀態。顧名思義，受控狀態下的識別是指人臉在被識別的過程中的一些外界因素（如光照、姿態、表情等）是固定不變的，也就是每一個被識別的對象都滿足相同的識別條件；而非受控狀態下的識別則包含光照變化、姿態變化、面部表情等的影響。

顯然，在諸如安防監控、刷臉門禁考勤、遠程身份認證、智能相冊分類等應用場合中，都是在非受控狀態下對人臉的身份進行驗證識別，這種技術的應用范圍更加廣泛。因此，本文主要研究非受控狀態下的人臉識別系統的應用。

3 深度學習與卷積神經網絡

深度學習 多倫多大學的G.E.Hinton等于2006年提出深度學習的概念，指基于輸入的樣本數據，通過多次訓練得到一個包含多個隱藏層的深度網絡結構的機器學習過程[3]。人工神經網絡中神經元的權值隨機進行初始化，這容易導致網絡收斂到局部最小值。Hinton為了解決這一問題，提出使用無監督預訓練方法優化網絡權值的初值的方法，至此，深度學習步入機器學習的舞臺。

顧名思義，深度學習是針對淺層學習而衍生出的又一新的概念。相對于淺層學習，深度模型中的非線性操作的層級數[4]更多。淺層學習里用到的人工神經網絡雖然也被稱作多層感知機，但其本質上仍然是只有一層隱藏層的淺層模型，無法同時提取人臉的全局特征和局部特征，從而限制了其在人臉識別技術中的應用范圍。而深度學習恰巧能彌補淺層學習的這些缺點，通過學習一種深層非線性網絡結構，實現復雜函數逼近、逐層傳遞信號，通過神經網絡的自學習能力逐層提取特征，解決非受控場景下各種復雜干擾因素，提高人臉識別準確率。

全局和局部特征 人臉的全局特征用于粗略匹配，而局部特征則用于精細匹配。全局特征描述人臉的整體信息主要包括膚色、輪廓和面部器官的分布等。局部特征描述人臉的細節特征，比如面部奇異特征，包括傷疤、黑痣等。全局和局部特征進行集成，可以作為人臉識別的分類器。

本文為解決非受控狀態下人臉識別中的各類復雜干擾因素的影響，設計出一種特殊結構的卷積神經網絡。這種卷積神經網絡可以同時提取局部和全局特征，解決非受控狀態下的各種干擾，提高人臉識別系統的魯棒性。

卷積神經網絡 卷積神經網絡與普通神經網絡的區別在于它包含輸入層、輸出層和多個隱藏層，每一層由若干二維平面構成，而每個二維平面由眾多獨立的神經元組成。

圖1是一個簡單的卷積神經網絡模型，首先將所有樣本圖片通過輸入層中的三個濾波器進行卷積，接著將獲得的三個特征映射圖在C1層中進行像素求和、加權、加偏置，并將處理后的像素通過Sigmoid函數得到三個S2層的特征映射圖。C1到S2是一個下采樣的過程，方法主要有兩種：最大值池化法或均值池化法。后面步驟與此雷同，同樣是濾波、卷積，然后再下采樣。最后將這些像素光棚化，排列成一條直線向量后輸出。

如果要訓練卷積神經網絡，首先需要把樣本圖像轉換成向量的形式，再輸入卷積神經網絡中。若輸入的圖像像素為1000×1000，則輸入神經網絡中向量長度為106。如果神經網絡中隱藏層之間為全連接的神經元，并且神經元的數目為106，則輸入隱藏中的參數數量為1012。這樣就會產生參數冗余現象，加大神經網絡的訓練難度。導致參數過多的原因就是神經元與像素點是全連接的，因此，設計出隱藏層神經元與圖像局部連接的網絡即可。

局部感知野恰巧能夠解決這一問題，因其每個神經元只與局部信息相連接，只感受10×10的像素大小的圖像，參數會減少到108。如此一來，能極大地簡化訓練過程。只要在更高層次將這些局部信息綜合在一起，就能獲得整張人臉圖像的全局特征。

但是用局部感知野得到的參數還是太多，而權值共享能夠非常精彩地解決這一問題。顧名思義，所謂的權值共享就是指同一層的神經元共享一些相同的參數。根據上述例子，每個神經元所連接的像素點為10×10，也即每個神經元有100個連接參數。如果相同的連接參數都被所有的圖像共享，那么全部神經元的數量會銳減到100，能夠很好地解決參數冗余現象。但這種方法存在一個極大的問題：這樣提取到的特征會過少，導致神經網絡的識別能力變差。不過也有相應的解決方法：增加濾波器的數量。

通過在卷積神經網絡之中同時應用局部感知野以及參數共享，再增加多個濾波器，不但能夠有效降低參數數量，還能逐層提取特征。在卷積進行過程中，各層得到的特征圖的參數逐層減少，但數量逐步增加。最后，全部特征圖在更高層組合成一個特征向量，輸出卷積神經網絡。頂層神經網絡重新整合在底層神經網絡提取到的局部特征后，就能得到全局特征。

文章中的卷積神經網絡有諸多優點，包括網絡結構簡單、訓練參數較少和魯棒性強等。該卷積神經網絡避免了傳統算法中特征提取和特征重建的復雜度，在神經網絡的訓練過程中能同時進行模式分類和特征提取。

當然，本文中的卷積神經網絡與其他人工神經網絡最大的區別就是可以逐層提取特征，利用不同層次分別提取局部和全局特征，解決非受控狀態下人臉識別中各種復雜干擾因素的影響，提高人臉識別系統的魯棒性。

4 結語

通過對非受控狀態下人臉識別中各類干擾因素的分析研究，本文設計出一種能夠同時提取人臉的局部和全局特征的卷積神經網絡。該卷積神經網絡具有多個隱藏層，通過逐層自動學習特征的方式提取不同層次的特征，能夠很好地消除非受控狀態下人臉識別問題中各種復雜干擾的影響。在教務管理中完全可以將本文設計出的人臉識別系統投入應用，極大地提高教務管理中需要進行身份驗證的各個環節中的準確性。

參考文獻

[1]黃宏博，穆志純.小訓練樣本的人臉識別研究[J].軟件，2014（3）：167-169.

[2]Hua G， Yang M H， Learned-Miller E， et al. Intro-duction to the special section on real-world face recognition[J].IEEE Transaction on Pattern Analysis and Machine Intelligence，2011，33（10）：1921-1924.

[3]Hinton G E， Salakhutdinov R R. Reducing the dimen-sionality of data with neural networks[J].Science，2006，313（5786）：1527-1554.

[4]Duda R O， Hart P E， Stork D G. Pattern Recogni-tion[M].2nd ed. Wiley-Interscience，2000.