基于深度學習的人臉識別技術及其應用場景探討

劉秀麗，陳 銳

(山東華宇工學院，山東 德州 253000)

1 基于深度學習的人臉識別技術

1.1 深度學習

深度學習是通過模仿人腦神經網絡建立的一種類似的學習策略，是一種由包含復雜結構或包含多重非線性變換構成的多個處理層對數據進行高層抽象的算法，通過從低層輸入數據逐層向前推算，最終得到網絡輸出。深度學習模型見圖1。

圖1 深度學習模型圖Fig.1 Deep learning model

目前公認的深度學習模型有卷積神經網絡、遞歸神經網絡、深度信念網絡及堆疊自動編碼器等。

1.2 人臉識別技術

人臉識別是采用攝像機采集有關人臉的圖像或視頻，可以自動檢測和跟蹤人臉，并對檢測到的人臉進行自動識別。

1.2.1 傳統人臉識別技術

最早應用的人臉識別技術是對人臉幾何特征進行描述，每個人的眼睛、鼻子、嘴巴等大小和形狀各不相同，所以幾何特征描述可以很好地應用于人臉輪廓描述上。該方法計算比較簡單，識別速度較快，但是當面容表情發生變化時，識別精度就會下降。對于局部特征的描述可選取局部細節特征進行識別，該方法簡單，但是選取的特征具有局限性，識別誤差大。LBP算法是實現特征提取的傳統算法之一，是將圖像劃分成多個很小的區域，將每個區域中的像素與四周的相鄰區域像素進行對比，若周圍像素值大于中心像素值，則在空字節字符串標記為“1”，小于則標記為“0”，這樣3×3鄰域內就可以得到8位的二進制數及區域的直方圖。直方圖可以用以下公式表示：

其中f(X,Y)為圖像區域，n代表區域數量，通過對直方圖進行計算可以得到整個圖像的特征向量。該算法的缺點是在平面圖像區域上不具有魯棒性，強度差異幅度小，且容易受到圖像噪聲的影響。

1.2.2 基于深度學習的人臉識別技術

基于深度學習建立的人臉識別技術主要包括人臉檢測、人臉對齊、人臉驗證和人臉識別等步驟，見圖2。

圖2 人臉識別步驟流程圖Fig.2 Process of face recognition

人臉檢測。通過攝像頭對某一場景進行拍攝或直接選取一張照片，對視頻或照片進行檢測，自動識別其中存在的每一個人臉。基于深度學習創建的多類目標檢測可以有效進行人臉檢測，具體的檢測方法包括以Faster-RCNN為代表的基于Region Proposal的目標檢測算法、以YOLO、SSD為代表的基于回歸的深度學習目標檢測算法。對圖像中的人臉進行檢測機算，如果存在人臉，確定其所處位置之后，將人臉和背景進行分離，有效降低圖像噪聲對人臉識別的干擾，進一步提高人臉辨識的準確性。

人臉對齊。它是對人的面部特征進行提取，常用的特征提取算法是MTCNN，可以同時實現檢測和對齊，該種算法可以很好地克服由于姿勢、亮度及遮擋等原因造成的人臉對齊困難問題，有效地排除干擾因素，提取人臉特征。MTCNN是多任務卷積神經網絡的縮寫，主要包括PNet、RNet、和ONet三層網絡結構，它的實現流程是構建圖像金字塔，將圖像進行不同尺度的變化，保證不同大小人臉都可以進行檢測；根據構建完成圖像金字塔，在PNet構造中使用FCN進行初步的特征提取并標定圖像的邊框，再進行窗口調整及過濾大部分的窗口；圖片經過PNet處理后，留下許多預測窗口，RNet會根據留下的預測窗口進行過濾，除去效果較差的候選框，留下的候選框會進一步優化預測結果；ONet通過更多的監督識別面部區域，回歸面部特征點，得到最終的面部特征點，MTCNN各層效果圖見圖3。

圖3 MTCNN算法各層效果圖Fig.3 Effect sketch of MTCNN arithmetic of all layers

人臉驗證。人臉驗證通常是指進行1∶1的比對，即對比兩個圖像中的人物是否為同一人。通過對兩張圖像中人臉特征進行對比，確定相似度，與設定的閾值進行對比驗證，如果相似度大于閾值則認為為同一人，若相似度小于閾值則認為不是同一人。

人臉識別。人臉識別是做1∶N的比對，從眾多人臉中提取出指定的人臉，可廣泛應用于疑犯追蹤、小區門禁等地方。基于深度學習建立的人臉識別，必須建立數量龐大的人臉數據庫，儲存不同的人臉和身份信息，在使用時可以迅速匹配人臉信息和身份信息。

2 基于深度學習的人臉識別技術的應用

2.1 鐵路乘車實名制中的應用

目前，鐵道部門采用實名制驗證檢票進站系統，95%以上采用二代居民身份證來核驗乘客信息，但由于身份證照片年限較長，出現了與人臉信息無法核對一致的問題，耗時耗力，給乘車核驗帶來了一定的難度，由此引進了人臉識別技術。

采用人臉識別技術建立的驗證檢票系統。乘客采

用自助進站閘機自動檢票，乘客手持身份證及紙質車票在自動驗證檢票機上識別身份信息，先進行車票和身份證的一致性核驗，通過后進入人臉和身份證信息的識別核驗，通過人臉識別采集設備采集人臉照片，與身份證進行信息對比，當身份證與人臉匹配度大于設定的閾值時，表示通過核驗，進站閘機開門，乘客可以進站。如果出現自助核驗不通過的情況，乘客需要等待人工核驗，人工核驗則是由服務器將乘客身份證信息和人臉采集設備抓拍的3張照片顯示出來，工作人員人工核驗身份信息，通過則開啟閘機。

2.2 智慧安防中的應用

人臉識別技術由于具有非接觸性、直觀性、識別速度快及不易察覺等優點，被廣泛應用于社會治安防控中。

在監獄管理中應用人臉識別技術，需要對監獄罪犯進行人臉采集，并上傳相應的身份信息和犯罪信息，建立人臉數據庫，在每個AB門及所有建筑出入口安裝配套的人臉識別設備和攝像頭，24 h不間斷地對進出人員進行人臉采集識別，由專人負責視頻監控及人臉識別信息分析。通過建立完善的人臉識別系統，可以解決監獄管理中的許多問題。

犯人異常行為追蹤。當勞動收班或結束自由活動后，如果有人進入相應的活動場所并長時間滯留徘徊，人臉識別系統就會進行人臉收集，與人臉數據庫進行人員比對，確定該人員是否是犯人，如果是則發出警報，提醒獄警及時查看罪犯出現在活動場所的原因，防止有罪犯勘察監獄地形結構發生越獄行為。部分罪犯性格比較乖張暴戾，常常會發生打架斗毆事件，當出現這一行為時，人臉識別系統將直接采集打架斗毆人員的信息并發出警報，及時通知獄警出警，遏制斗毆事件的發生，防止事態進一步惡化。

重點人員重點監管。人臉監控系統可以對重刑犯進行重點監控，實時查看他們的活動狀態，當出現異常活動狀態時，及時進行干預。當有外協人員進入監獄時，通過人臉采集，定位追蹤外協人員是否按照規定路線和規定時間辦事。

3 結語

介紹了傳統人臉識別技術和基于深度學習的人臉識別技術，展現了深度學習算法的優勢。基于深度學習建立的人臉識別技術，可以快速進行海量人臉數據識別，降低了背景噪音的影響，極大提高了識別精準率，隨著人臉識別技術的日益成熟，將給人們生活帶來更多便利。