基于深度學習的三維人臉識別方法研究

摘 要：本文通過深度卷積網絡（Deep Convolutional Neural Networks，DCNN）實現人臉的三維特征和二維特征的提取。對建立的兩個DCNN進行訓練以及識別測試。將兩個DCNN提取的二維人臉圖像及人臉深度圖的高層抽象特征作為一神經網絡（Artificial Neural Network，ANN）的輸入，輸出結果作為提取的最終特征。實驗結果表明，與其他識別方法相比，本文設計的方法在識別正確率上得到了可觀的提高。

關鍵詞：三維人臉識別；深層卷積網絡；特征提取

DOI：10.16640/j.cnki.37-1222/t.2019.11.133

1 基于DCNN的三維人臉識別

1.1 DCNN結構

文章搭建的DCNN分別如圖1和圖2所示，包含層卷積層、最大池采樣層，除輸入與輸出外，中間各層均可稱為隱藏層。文章將卷積后的激活函數設置為ReLU（Rectified Linear Units）非線性矯正函數，公式為f（x）=max（0， x），相較于使用Sigmoid函數，DCNN訓練后的識別結果有效的提高[1]。

1.2 n路Soft-max 回歸層 及訓練算法改進

文章使用soft-max回歸層預測多種類別的概率，如圖1所示。類別數表示為n，預測標簽值即為每種類別的概率，預測標簽值，則：

代表類別i的概率，，則：

對于第n種類別的概率：

可以推導出：

其中soft-max回歸層的參數集為。

通過最大似然估計法以獲得整個網絡的代價函數，即：

是通過訓練不斷進行改進的參數，K為n種類別的樣本總和，是第組輸入向量，；為預測標簽值。通過訓練使代價函數不斷減小或達到最大訓練次數。模型代價函數的公式為：

對公式（5）求偏導，得：

的維度為類別數n，其自由度為n-1，則向量中存在冗余度為1的。的存在使在調整的過程中容易過大。這時，在損失函數的收斂計算中增加權重衰減項（>0），以防止值過大。

理論證明，是一個凸函數，因此使 的迭代運算目標可使用梯度下降算法，在此算法中，得到的結果誤差進行反向傳播，從而調整，（其中為學習速率）：

（8）

在模型的訓練過程中，通過將前一次得到的梯度值與一常數相乘添加到當前梯度的計算過程中的方法來帶動梯度下降的過程。這種改進的優勢在于利用經驗數據加速計算過程，避免訓練過程陷入局部最優。

文章將兩個網絡的輸出結果作為三維數據和二位數據的高層特征，將其作為一神經網絡（ANN）的輸入進行分類。

2 實驗結果及分析

2.1 學習速率及各層向量可視化實驗

文章中的數據源圖像包含了人的臉部、頭發、肩部等，通過Haar 特征結合Adaboost的方法，去掉多余部分，只提取圖像中人的臉部，提高模型輸入的質量[2，3]。將提取的二維人臉圖片歸一化為大小，并將彩色圖轉為灰度圖。

將數據模型的空間信息表示為z軸上的大小，將其映射為二維圖像，則z值的大小通過灰度值來表示，通過這種方法得到的二維圖像成為深度圖。利用類間最大方差法（Otsu）[4]對深度圖進行操作，消除多余部分，保留人的臉部。將人臉深度圖歸一化到 6853。

學習速率可認為是參數更新的幅度。文章通過對學習速率賦值的方法得到不同學習速率的識別曲線，首次令。在訓練過程中，將進行過臉部提取的數據分成三部分。第一部分用于訓練，第二部分數據用于驗證訓練過程中的識別率，整個訓練過程結束后用第三部分測試整個模型識別率。最終，將學習速率設置為0.06。

模型中隱藏層的輸出如圖3所示。

2.2 對比實驗及分析

將本文三維人臉識別方法與幾種常用人臉識別方法進行比較實驗，采用n=64，即64個人，每人選取不同的姿態和光照的圖像10張，得到樣本總數k為640，結果如表1所示。通過對比發現，本文識別算法較其他幾種方法識別率有了明顯的提高。

3 結論

文章分別建立了兩個用于二維人臉圖像特征提取和人臉深度特征提取的DCNN模型。相較于傳統人臉識別方法，本文算法增加了深度信息，以增強算法對人臉姿態和外部環境的魯棒性。經過對卷積網絡進行多方面的改進，加速算法收斂，得到數據的高層抽象表示，實現分類任務。通過實驗驗證了算法所提取的特征具有代表性及可分性。并進行了本文算法與幾種常用算法的比較實驗，驗證了本文方法在人臉識別正確率上得到了可觀的優化。

參考文獻：

[1]Krizhevsky A，Sutskever I，Hinton G E.ImageNet classification with deep convolutional neural networks[C].International Conference on Neural Information Processing Systems. Curran Associates Inc.2012：1097-1105.

[2]Erdem C E，Ulukaya S，Karaali A，et al.Combining Haar Feature and skin color based classifiers for face detection[C].IEEE International Conference on Acoustics， Speech and Signal Processing. IEEE，2011：1497-1500.

[3]Huang C C，Tsai C Y，Yang H C.An Extended Set of Haar-like Features for Bird Detection Based on AdaBoost [C].Signal Processing， Image Processing and Pattern Recognition - International Conference， Sip 2011，Held As.DBLP，2011：160-169.

[4]Yan L V，Gong Q.Application of weighting 3D-Otsu method in image segmentation [J].Application Research of Computers， 2011，28（04）：1576-1579.

作者簡介：吳夢蝶（1990-），女，河北滄州人，碩士，助教，教師，研究方向：深度學習、圖像識別。