基于深度學習的輕量級人臉檢測模型研究

周立廣 韋智勇

【關鍵詞】深度學習;輕量級;人臉檢測;人臉特征

【中圖分類號】TP391.41;TP181【文獻標識碼】A【文章編號】1674-0688（2021）06-0057-03

隨著全球人工智能技術的高速發展，生物識別技術成為該領域的研究熱點，其主要是利用人體皮膚、人臉、指紋等特征作為技術識別的方式，其中，人臉識別為主要的識別方式，該方式具有精準性、唯一性、有效性特點，這種特點是無法進行模擬和仿制的。目前，人臉識別技術已逐步運用于各個領域當中，傳統的識別技術也逐步被其替代。同時，這項技術的精準度在進一步提高。人臉識別算法總體上經歷了3個發展階段，即由早期的空間幾何算法發展到人工特征算法，直到發展到今天的深度學習算法。深度學習算法應用廣泛，并且在很多領域中都有深入研究，尤其是基于神經網絡的深度學習的人臉識別算法，其發展迅猛，主要是通過不同的人臉特征進行向量提取，并進行深度學習，即通過識別算法把人臉特征存儲在向量庫中，向量庫的數據量越大，識別的準確率也就越高。

1 關于深度學習的相關理論

1.1 深度學習技術

人工智能是目前全球IT行業研究的熱點，而深度學習技術是其中一項重要內容，內涵非常豐富，是一門跨領域的信息技術，該技術通過智能設備模擬學習的方式進行，從激勵響應和模型優化到對激勵的結果進行數值判斷。隨著全球信息技術的高速發展，深度學習技術發展也日新月異，在視頻、語音識別方面獲得了實質性突破。借助深度學習技術可以讓機器自動感知周圍環境，提高設備的智能化，從而提高工作效率。深度學習主要由神經網絡研究發展而來，它是由多個感知器集成的深度學習系統，系統的網絡結構如圖1所示。深度學習的過程主要分為兩個部分，首先訓練每層的神經單元，然后再采用“喚醒-睡眠”算法進行優化和調整，從而使系統“感知”到“確認”緊密融合，深度訓練順序主要分為自下而上和自上而下兩種模式。

圖1 基于深度學習的網絡結構圖

1.2 人臉檢測與識別

人臉檢測與識別技術屬于一種生物識別技術，該技術先通過人臉圖像確定圖像的形狀、顏色、大小等信息，然后對圖像進行人臉區域定位，動態獲取人臉的特征信息，通過人臉目標檢測算法計算，與基礎庫的信息進行比較，可以得出識別者的身份及相關信息。目標檢測算法目前有多種形式，例如One-stage算法、SSD算法等都屬于目標算法。另外，在人臉識別方面，主要采用人臉匹配算法，人臉匹配主要分為“一對一”和“一對多”兩種方式，“一對一”主要是直接判斷兩張圖是否為同一個人的臉，而“一對多”則是從人臉庫中提取相關的多個數據進行再次匹配，目前“一對一”方式較為常用。人臉檢測與識別技術目前已廣泛運用于各個行業，不僅提高了各行業的工作效率，而且提高了數據的安全性和可靠性。

1.3 神經網絡

神經網絡技術主要通過計算機網絡進行模仿生物的神經系統，該系統具有非線性、非穩定性和非平衡性特點，目前使用最多的是卷神經網絡，該網絡由神經傳導模型演變而來，該神經系統包含特征提取神經元和抗形變神經元兩種神經元，分別起到卷積核濾波和激活池化操作的作用，可有效提取人臉圖像信號及其時間序列。在神經傳導算法中，反射傳播算法目前為最佳算法，該算法可大幅提升系統性能。今后，隨著計算機網絡技術的快速發展，以及云計算、大數據發展的推動，神經網絡算法會有一個全新的突破。

2 算法模型和數據集

人臉識別算法有很多種，在深度算法中也存在多種方式，隨著近幾年的高速發展，該項技術也穩步提升，而每種識別算法所對應的網絡模型和訓練集都存在差異，因此都各有優缺點。為此，建立一個具有差異性的算法模型和訓練集非常重要，這對后續研究工作進展起到決定性的作用 [1]。

2.1 算法模型

目前，基于深度學習的人臉檢測算法層出不窮，但許多開發者基于自身利益考慮，不公開算法的源代碼。通過對目前公開源代碼的算法進行逐一分析，VGGFace算法的精確度是最高的，該算法主要運用在模型識別和特征投影兩個方面，由于網絡中卷積層存在各自不同，使得網絡訓練工作量較大 [2]。因為VGGFace的運行環境對硬件配置有很高的要求，所以要想在移動設備上運行是比較困難的，并且在運行過程中的訓練和特征提取都會占用大量時間，相比之下，Caffe-face由于網絡規模小、特征參數少，屬于輕量級，可以在移動設備和一些小型設備中使用，而且該算法的精確度也很高。另外，在公開源代碼的算法中，有一種算法為Lightened CNN，該算法具有學習率高和迭代次數小的優點，也是目前精確度較高的算法模型之一。

2.2 詞匯表達與分類訓練

如果在人臉特征提取過程中出現滯后現象，可采用聚合方式進行處理，即采用視覺詞匯表達的方式進行，整個過程把人臉特征用視覺詞匯先表達出來，把詞匯集存儲在指定的庫中，并建立相應的詞匯圖，該項流程完成后，每臺設備進行深度學習的目標可以實現。首先通過分類器對設備進行訓練，然后用測試集測試設備的訓練程度，目前大多采用多層傳感器解決分類問題，系統的神經網絡采用梯度算法，可解決無法識別線性數據的問題，使識別范圍進一步擴大。同時，用于識別的設備還可通過反向傳播算法精準地統計出整個神經系統中神經元的實時數量，可進一步改進整個系統，提升系統的工作效率。

2.3 并行架構設計

如果神經網絡采用并行方式進行設計，可提升整個網絡的詞匯表達效率，加強圖像識別能力，但由于對設備訓練的方式多種多樣，極易出現梯度擴散現象，導致訓練難度進一步加大。為了解決這一問題，目前采用無標簽數據對每個設備單獨進行分層次訓練，先對底層網絡進行訓練，把訓練結果作為樣本，再進入下一層的網絡訓練中，整個過程僅需要少部分帶標簽的數據進行細調，這樣可以大幅度提升整個神經網絡對人臉識別的準確度及效率。

2.4 數據集

基于深度學習的輕量級人臉檢測模型一般都要通過大數據技術的積極配合，有些數據可通過外界或其他途徑獲取，如可以通過互聯網、監控視頻、個人證件、生活照片等方式獲取，由于這些數據格式千差萬別，需要分別進行數據轉換才能使用，且轉換過程必須按同一標準進行。在進行深度學習人臉檢測模型研究中，要求對人臉數據建立一個數據集，并且對這些數據進行大數據分析，本文主要應用兩種數據集，一種是CASIA-WebFace，另一種是UMDfaces，為網絡訓練做預先的準備，這樣可提高人臉檢測的準確性。

2.5 測試結果

對系統的數據集進行有效統計分析，如果采用面部圖像數據集進行測試，準確度為0.95，數據回收率為0.94，其數據精準度為0.935;如果采用面部表情數據集進行測試，準確度為0.98，數據回收率為0.978，其數據精準度為0.971。根據測試結果得出，利用面部圖像數據集測試精準度為0.935，而利用面部表情數據集測試精準度為0.978，并且，如果人臉圖像背景較暗時，精準度也降低，本項目在今后的研究中將進行持續改進，對特征算法進行改進和優化，使該算法適用環境范圍更加廣泛。

3 人臉檢測預處理和特征參數

3.1 人臉檢測預處理

對于深度學習的人臉檢測算法，在算法模型確定的同時，用于訓練的數據集也要確定下來，根據算法的要求，必須對人臉數據進行預處理，對特征參數進行融合分析。通常情況下，人臉圖像都含有大量的冗余數據信息，如圖像背景、光線強度等，這些信息對人臉檢測有不良影響，使得檢測的準確度下降，同時檢測的時間也會延長，而人臉信息預處理會提高整個算法模型的精度。基于深度學習的人臉檢測算法可自動學習人臉的特征信息，這樣可提升人臉檢測效率，縮短檢測時間，比傳統的人臉檢測算法有一定提升。在目前的人臉檢測算法中，MTCNN算法在人臉預處理中效率較高，為了使人臉歸一化質量提高，可采用仿射變化方式 [3]。之后，根據CASIA-WebFace和UMDfaces這兩個數據集，把這些數據特征進行統一的數據整理和分析，得出人臉的數據特征。

3.2 人臉特征參數

人臉檢測的第二個步驟是人臉特征提取和融合，在提取人臉圖像的數據后，通過算法先對圖像數據進行預處理，同時提取出人臉的特征參數，這樣可作為深度算法輸入的最終圖像。目前，有一種人臉檢測算法是基于卷神經網絡的，該網絡結構屬于分層結構，對各種數據模型進行數據特征提取，如果在降維上有好的效果，則在特征提取上效果更佳。PCA算法是一種多角度的人臉算法，對具有維數較高的特征進行降維，以此判定下一步數據 [4]。在得到人臉模型的基礎特征后進行比較，各個特征和維度千差萬別，這樣會導致特征融合的差異性，由于不同數據模型的權重各不相同，為了解決這一問題，必須先進行降維處理，降維后要重新分析模型的精度是否有變化，進而測試該模型的組合特征。

4 基于深度學習的輕量級人臉檢測模型

4.1 系統設計

針對人臉識別所對應的各種外部環境，把深度學習算法融入其中，設計出基于深度學習的輕量級人臉檢測算法模型。本系統具有功能擴展性、穩定性、高效性等特點，整個系統的功能設計內容如下。

（1）節目管理模塊。該模塊功能主要用于節目的日常管理，如節目編輯、數據保存、輸入輸出管理等，對待檢節目進行實時監測，并保存相關的監測信息，對節目進行識別并做好標記與分段，有效存儲人臉識別的特征信息。

（2）數據功能模塊。在深度學習的人臉識別系統中，數據處理是本系統的核心功能，主要對視頻中的數據進行有效處理，即對與人臉信息無關的內容予以刪除，有效信息予以保存，同時將人臉的輪廓、位移進行細微調整，把調整好的數據傳輸到深度學習系統中，通過一系列算法，得出人臉的檢測結果。另外，數據處理還可通過反復迭代的運算形式進一步優化系統功能。

（3）工作模塊。該功能主要包括信息管理、系統參數維護、權限管理等，日常工作管理的主要內容包括日常任務、信息查詢、數據下載、數據審核等，在各個日常任務中數據審核是最主要的功能，一般是通過人工方式進行，按照最初的設想，識別方式為自動識別，對識別結果進行人工審核。

（4）流程管理模塊。該功能主要是先下載即將進行檢測的視頻，對錄像進行初步的視頻處理，包括視頻的格式、人臉特征信息、環境信息等，將處理完成后的數據保存到檢測系統的數據庫中，系統將該特征信息與特征庫的數據信息進行匹配，將匹配結果以人工方式輸出，同樣也經過人工復核，這樣可確保檢測的準確性。

4.2 特征訓練

本算法經過上述環節后，即將進行最后的一個步驟，即特征訓練，這是基于深度學習的輕量級人臉檢測算法的關鍵步驟，主要是在建立深度融合的神經網絡基礎上進行組合特征訓練。該網絡結構主要包含輸入層和全連接層，輸入層組合特征主要為FA和FB兩種，FB的維數是FA的3倍，維度的不同使得后續的特征參數也不相同，特征訓練、人臉特征參數、分類層和網絡神經元數量對應3個全連接層，訓練和測試方式都在Caffe框架內實現，訓練方法主要包括模型及參數的設置和訓練方式，測試主要采用梯度下降法 [5]。

4.3 算法測試

為了確保基于深度學習的輕量級人臉檢測模型的精準性，用兩個不同人臉的數據信息進行檢測，評價指標采用ROC標準，從實驗數據來看，本文的算法與其他算法進行各項指標對比，如果訓練較小，準確率分別為98.9%和93.42%，可以看出，本文算法的檢測效果較好，基本上達到了預期目的。另外，通過進一步的測試分析，對人臉進行最全測試集中，效果也是最好的，如果能把這兩個優點結合，在此基礎上進行相應改進，則可能效果更好，可提高權重值。

5 結語

隨著深度學習技術不斷創新，人臉檢測技術將往更高的方向發展，人臉檢測技術是目前各行業廣泛運用的安全技術之一，不同的學習模型則存在不同的檢測精度。本文通過人臉檢測預處理和特征參數融合兩個過程，得到了基于深度學習的輕量級人臉檢測模型，它具有高精確度、檢測時間短、安全可靠的特點。未來，隨著人臉檢測在精確度及動態識別技術的高速發展，該技術將會逐步成熟和完善。

參 考 文 獻

[1]崔慶華.基于深度學習的人臉識別技術分析[J].計算機產品與流通，2019，12（16）：63-66.

[2]楊涵.基于深度學習的人臉識別算法研究[J].電子設計工程，2019，27（19）：155-159.

[3]張卓群，曹鐘淼，王慧，等.深度學習與人臉識別算法研究[J].軟件，2019，9（12）：138-141.

[4]司琴，李菲菲，陳虬.基于深度學習與特征融合的人臉識別算法[J].電子科技，2019，5（8）：78-81.

[5]黃發揚.淺談基于神經網絡深度學習算法的人臉識別技術[J].智能建筑，2019，10（28）：104-106.