高見

（揚州市職業大學 江蘇省揚州市 225000）

1 序言

伴隨著當前公眾環保意識的提高和信息技術的發展，人臉識別技術在我們日常生活起到的作用越來越多樣化。但是隨著人臉識別的普及，各種各樣的問題也隨著出現，常見的就有人臉角度問題、光照問題、面部多余問題等等，這一方面對人臉識別技術的進一步應用做出了考驗，另一方面也是對相關企業的技術創新進行了檢查。本文正是以當前人臉識別的需求識別出發，以YOLOV2 神經算法為基礎，進而構建起完整的識別模型，為當前環節人臉識別的需求現狀提供了參考依據。

2 YOLOV2算法闡述

人臉識別的需求在各個時間段呈現不同的狀態，所以在進行相關算法的選擇時要注意對識別方法選擇，常用的識別方法包括德爾菲法、神經網絡、時間序列發、機器學習、回歸分析法、彈性系數法和灰色識別法等等，在對各種方法進行分析和討論之后，最終決定使用神經網絡中的YOLOV2 算法來構建相關的模型。

YOLOV2 算法起源于上世紀末的YOLOV1 算法，經過幾十年的發展在各個領域之中均有著廣泛的應用，是當前神經網絡模型的代表。YOLOV2 算法的本質是一種多層前饋神經網絡，特點是能夠依照誤差逆向傳播法對相關的網絡進行訓練，最終得到與期望向量最大程度接近的輸出向量。本次實驗的所應用的神經網絡算法模型的基本流程可以分為以下幾個步驟：

首先，將相關的學習參數和權初始化為績效的隨機數，設置相關的偏置；第二，是設置期望輸入和加輸入；第三，是對相關輸出層和隱層的輸出進行計算；第四，是對相關輸出層和隱層的連接權值進行調節后改變訓練樣板；第五是確定是否訓練終止，如果不終止訓練，就重復第二到第四步驟，如果終止訓練則進行第六步；第六，相關實驗的迭代次數+1，直到迭代終止，如果選擇繼續迭代，重復第二到第六步驟，如果選擇終止迭代，則輸出相應的輸出向量。

3 實驗變量分析

本次數據來源基于某人臉識別企業的內部數據，某門禁企業的使用人數為7.664 人，選取樣本的時間為2020年4月25日，當天某人臉識別系統的回饋整體數據樣本為9000 條。本實驗將這些參數統共劃分為記錄編號（id）、1 小時內某企業人臉識別的整體需求量（y）、某人臉識別企業投放業務的正臉人臉（face）、30°人臉（30°face）、60°人臉（60°face）、90°人臉（90°face）、人臉小片陰影（Small shadow）、人臉中片陰影（Medium shadow）、所人臉大片陰影（Big shadow），共9 個特征變量。

圖1：YOLOV2 神經網絡結構識別模型的拓撲結構示意圖

3.1 數據庫選擇

本次設計的YOLOV2 算法人臉識別數據庫采用YOLOV2 網絡為基礎，作為一種面向對象的關系型數據庫，YOLOV2 網絡支持在標準數據庫系統中管理相關數據，一方面能夠實現數據的完整性，另一方面能夠保證使用過程的安全。基于本次試驗實際情況，筆者將YOLOV2 算法人臉識別數據庫系統的構建分為如下幾步：

首先是針對該本次試驗的人臉識別系統信息數據進行搜集和整理，針對不同的分類完成格式、單位和尺度的統一，最終將該本次試驗的YOLOV2 算法人臉識別編程有效的字段名和表頭；其次是完成Geodatabase 的構建，依照流域的實際情況將不同的圖層進行分類和儲存；第三是把剩下的數據儲存到access 屬性的二維表數據庫中，同時完成分類和編碼；最后是完善YOLOV2 網絡各版塊的構建和相應的管理系統。本次采樣的信息可以分為正臉人臉（face）、30°人臉（30°face）、60°人臉（60°face）、90°人臉（90°face）、人臉小片陰影（Small shadow）、人臉中片陰影（Medium shadow）、所人臉大片陰影（Big shadow）。YOLOV2 網絡的構建主要是為了服務本次試驗的長江流域水系統，所以需要依靠圖像頻譜來獲取相關的人臉知識并進行存儲。基于上述圖像處理的人臉識別方式很容易受到相應的干擾，在將數據錄入Geodatabase 數據庫之前需要對人臉識別的方式進行相應的優化，來幫助數據庫更好的甄別檢測數據的準確性。這一方面需要針對外界干擾信號或者偽造信號的原理進行分析，另一方面需要針對Geodatabase 數據庫的缺陷來制定相應的優化方案，從根本上對這個問題進行解決就需要針對Geodatabase 數據庫的特性設置相應的識別和糾錯能力。

表1：檢測測試數據訓練結果

表2：檢測訓練數據評價結果

3.2 模型構建

基于上述9 個特征變量，本次試驗YOLOV2 神經網絡結構識別模型的構建步驟如下所示：首先在構建模型之間需要對YOLOV2神經網絡結構識別模型的拓撲結構進行分析和設置，其拓撲結構如圖1所示，YOLOV2 神經網絡結構識別模型的結構特點為其輸入層、隱層和輸出層三層都可以完成由n 維到m 維的映射，進而可以將60°人臉（60°face）、90°人臉（90°face）、人臉小片陰影（Small shadow）、人臉中片陰影（Medium shadow）、所人臉大片陰影（Big shadow）、30°人臉（30°face）作為本次識別模型的特征變量，將1 小時內某企業人臉識別的整體需求量（y）作為本次實驗識別模型的目標變量；其次是對隱含層內的神經元數量和最大迭代次數進行設置，根據本次人臉識別模型的需求，本實驗將最大迭代次數設置為300，將隱層神經元的數量設置為150，在對數值的計算方面選擇了相關大規模數值計算表現較好的L-BFGS 算法進行計算；最后根據圖1 的相關拓撲結構代入相關的參數，其中Xn 代表相應的特征變量，Y 代表1 小時內某企業人臉識別的整體需求量，Wn 則代表了相關的閾值。

4 仿真實驗與結果分析

4.1 模型識別預處理

基于上述人臉識別企業的數據，將其引入相關實驗平臺后，本次試驗可以分為三個步驟：

首先引入超參數k 作為網絡的增長率。網絡的增長率表示每一個系統輸出的特征圖的個數為k 個，為了防止網絡變得太寬，并且提升網絡的計算效率，將k 值限制成一個較小的整數。在YOLOV2中將每一個系統輸出的特征圖的個數設置為32，即k=32。實驗證明，當k 值是一個較小的正整數時，網絡的表現性能也更好；然后引入瓶頸層。YOLOV2 采取密集連接的方式，雖然每一層產生k個特征圖，但是整個網絡產生的特征圖的數量是巨大的。為了控制YOLOV2 網絡中特征圖的數量，在網絡的構建中引入了瓶頸層；最后對網絡進行壓縮。通過壓縮過渡層中的特征圖，增強模型的緊湊性。在YOLOV2 中，當系統包含m 個特征圖時，網絡中隨后的過渡層產生的特征圖的個數為θm。同時將θ 的值設置為0.5，即過渡層將前一個系統產生的特征圖的數量減半。

4.2 識別結果

在采用了四種激活函數的情況下，對模型進行評估，檢測訓練數據評價結果如表1所示，檢測測試數據訓練結果如表2所示。因此，YOLOV2 神經網絡的激活函數為Tanh 函數基于已經找到的人臉識別模型，選擇正臉人臉1 的數據集，以face、60°face、Medium shadow、Small shadow、Big shadow、30°face、90°face 為特征變量，id 作為編號，過濾掉其他的無關變量。結果表明，基于YOLOV2算法的密集連接的網絡結構相比于YOLOV1 網絡，不僅能夠提取到更為細粒度、更為抽象的人臉特征，而且使得網絡提取到的人臉特征在整個任務中最大化地被網絡利用，并學習到新的人臉特征，提升人臉檢測算法的性能。

5 總結

總而言之，YOLOV2 網絡是當前人臉識別系統構建領域的重要工具，將之組合不僅能夠挖掘傳輸識別過程中各個已有數據之間的潛在關系，更能快速地構建起相關的預測模型。當然本次研究也存在著許多的不足，雖然對YOLOV2 網絡在當前人臉識別系統構建應用中存在的問題進行了分析，但仍不夠深入，希望將來能有機會繼續對人臉識別系統構建的問題進行研究，進而為我國相關領域的發展做出貢獻。