基于卷積神經網絡的人臉識別研究

仝曉春 周玲

關鍵詞：卷積神經網絡；人臉識別；應用研究

1 基于卷積神經網絡的人臉識別研究

1.1 人臉識別技術研究進展

人臉是一個重要的實體，在我們的日常社會互動中扮演著至關重要的角色，就像傳達個人身份一樣。人臉識別是一種生物識別技術，它用數學方法提取面部特征，然后將這些特征存儲為人臉指紋，以識別個人。隨著安全意識的提高，人們對公共和人身安全的需求不斷增加，快速識別個人身份和信息安全已成為迫切需要解決的關鍵社會問題。因此，各種生物識別技術已經逐漸被研究。其中，人臉識別技術因其方便、快速和非侵入性等優點而備受關注。人臉識別被稱為面部識別和肖像識別，作為一種生物識別技術，受到了各行各業的充分關注。由于其非強制性、非接觸性和并發性等特點，它已成為一種炙手可熱的生物特征識別技術，在計算機信息安全、金融支付和視頻監控等領域具有廣泛的應用價值，是機器學習和模式識別領域的一個熱點。

1.2 卷積神經網絡研究進展

人臉識別需要大量的計算和處理能力，需要與輸入圖像的編碼比較大量的數據庫。利用廉價的寬帶和快速的互聯網速度，人臉識別器的計算數據被傳輸到邊緣設備以獲得更快的結果。由于深度學習算法所需的高計算能力的可用性，識別任務的準確性顯著提高。為了獲得更好的結果，常利用卷積神經網絡相關的算法。這是一種深度學習方法，也是計算機視覺領域的最新技術。相較其他神經網絡，卷積神經網絡是當前深度神經網絡發展的主力軍，其比人類更準確地識別圖像。卷積神經網絡是一種前饋神經網絡結構，其響應于相關圖像部分周圍的像素，且卷積神經網絡擅長大型圖像處理。LeCun等人[1]已經證明，神經網絡可以具有強大的圖像分類能力。神經網絡主要由三種類型的層組成：卷積層、池化層和完全連接層。卷積層和池化層是最重要的層。卷積層用于通過用多個濾波器卷積圖像區域來提取特征。由于其層數增加，卷積神經網絡可以更準確地解析其輸入圖像的特征。池化層減小了卷積輸出映射的大小。如果這兩層管理得當，卷積神經網絡中的參數數量和計算復雜性可以最小化。這種類型的算法通過端到端自主學習減少了特征提取過程中復雜干擾的影響。它還開發了更健壯的特征表示，并在沒有壓力的情況下處理高維數據和大規模訓練樣本。Chan等人[2]將卷積神經網絡結構應用于遙感場景分類。驗證模型與識別模型相結合，學習判別特征表示，并在卷積神經網絡特征中添加正則化項。實驗證明，該方法在遙感場景分類方面優于現有方法。Borghi等人[3]指出，深度圖像應作為卷積神經網絡的輸入。當沒有完全或部分外部光源時，應進行駕駛員面部驗證。這樣，可以有效解決光線不足或沒有光線的人臉識別問題。Koch等人[4]提出了卷積神經網絡（SNN） 在單點圖像識別中的應用，這解決了在每個類別中擁有更多類別和更少樣本的困難。同時，卷積網絡具有很好的泛化能力。

1.3 基于卷積神經網絡的人臉識別的重要性

人臉識別是一個具有挑戰性的問題，在計算機視覺領域已經研究了幾十年。姿勢、照明、表情等方面的巨大人類變化將挑戰任何最先進的人臉識別算法。最近基于卷積神經網絡的方法主要集中于探索基于3D 模型的人臉對齊、更大的數據集或新的度量學習算法對人臉識別性能的影響。作為一種經典的人臉識別算法，主成分分析通過矩陣變換和計算有效地提高復雜性。然而，當存在環境問題時，例如遮擋，主成分分析無法獲得數據的真實子空間結構，這將大大降低識別精度。支持向量機采用非線性核函數來解決非線性問題，具有很強的泛化能力和處理高維數據的能力。然而，算法的計算復雜性隨著圖像數量的增加而增加。因此，它不適合具有大規模訓練樣本的應用。基于卷積神經網絡的人臉識別過程如圖1所示。Bukov?iková 等人[5]使用了一個簡單的多層感知器分類器來代替原始的成本函數，并獲得了良好的人臉識別效果。需要指出的是，在實際應用中，要識別的對象通常是在無約束條件下的人臉圖像，不可避免地會受到干擾，例如照明、表情、姿勢和遮擋，這使得人臉識別更加困難。為了對外部環境干擾具有更好的魯棒性，提高數據集的處理速度，解決由于數據集較少而導致的過度擬合等問題。此后，Shen[6]使用ROI-KNN卷積神經網絡對面部表情分類領域的應用進行了比較評估，并提出了一種新的面部表情分類深度學習訓練改進方案。Ahmed 等人[7]使用卷積神經網絡和通過組合各種數據集的數據增強來執行面部情緒識別方法。在信息時代，信息保護尤為重要，我國高度重視公共安全，新技術和新產品的安全保護應用需求強烈。人臉識別技術利用個體面部特征的差異來實現人類身份特征識別。人臉是生物學中最直接的表現和最獨特的生物特征，這使得人臉識別技術具有獨特的識別優勢。基于這一優勢，人臉識別在許多領域的應用中顯示出巨大的潛力，因此，將卷積神經網絡應用到人臉識別中非常重要。

2 基于卷積神經網絡的人臉識別管理系統設計構建

本文基于軟件工程理論對基于卷積神經網絡的人臉識別管理系統進行了設計。基于卷積神經網絡的人臉識別管理系統設計主要是設置目標，然后使其來執行系統的相應需求，并通過分解目標來劃分不同的功能。根據基于卷積神經網絡的人臉識別管理系統需要實現的目標，即使用人臉信息進行身份認證，該系統可分為圖2所示的功能架構。基于卷積神經網絡的人臉識別管理系統的功能模塊分為前端和后端，具體如圖2所示。基于卷積神經網絡的人臉識別管理系統使用客戶機服務器（C/S） 體系結構進行部署。

3 基于卷積神經網絡的人臉識別系統的算法設計

要想完成上述人臉認證模塊的設計，應采用相應的人臉識別算法，即基于卷積神經網絡的識別算法。在卷積神經網絡中，有著卷積層、池化層、激活函數層和分類層等四種不同的級別。其中，卷積層和池化層是計算密集型的，而激活函數層是參數密集型的，通過對圖像進行濾波來生成卷積層的神經元或特征圖。與大多數神經網絡一樣，它們包含多個濾波層，每個層對輸入矩陣應用仿射變換。在卷積神經網絡的情況下，仿射變換可以實現為離散卷積，而不是完全通用的矩陣乘法。這使得卷積神經網絡的計算效率更高，允許他們縮放到大型圖像。池化層通常使用最大或平均函數來縮小規模。池化（子采樣）層對圖像中的小擾動是不變的，這使得它對照明、姿勢或表情挑戰是不變的。輸入層P-1是視網膜，m層具有大小為3的感受野。因此，視網膜中的3個相鄰神經元將與P層中的1個神經元聯網。類似地，m層中的三個相鄰神經元會與P+1層中的一個神經元聯網，如圖3所示。

4 結束語

因為面部是一個非常復雜和重要的生物特征，它包含了很多信息，例如性別、年齡和表情。智能人臉識別系統可以基于客戶的性別和年齡的大數據，以便賣家準確、清晰地了解購買該產品的客戶群體。人臉識別技術因其易用性、全面性、舒適性和其他良好的功能而吸引了很多人的關注。經過多年對人臉識別技術的研究，它已經取得了一個又一個的突破。特別是在深度學習算法發展之后，信息量大大增加。基于卷積神經網絡技術的人臉識別可以使用大量的圖像進行訓練，獲得良好的識別效果。經過多年的研究和發展，人臉識別技術已經取得了穩步的進展，基于大量的人臉圖像訓練，人臉識別在光線、姿勢、環境因素等方面的問題都得到了較好的解決，因此人臉識別在實踐中的效果也得到了很大的提高。