基于SSD深度學習算法的人臉識別系統設計

摘 要：針對傳統人臉識別存在識別速度慢、準確度低等問題，本文設計了一種基于SSD深度學習算法的自動化人臉識別系統。首先，該系統采用基于深度學習算法的人臉識別方法檢測人臉圖像，并對關鍵點進行預測。其次，利用SSD模型提取特征信息后構建本地特征庫，完成人臉識別。最后，比較待檢測人臉圖像向量與本地特征向量間的歐氏距離，判斷結果并輸出。試驗表明，SSD模型在檢測與識別上具有較好表現，系統的識別速度超過25f/s，當特征向量間的歐氏距離設定為0.5時，識別準確率高達99.3%。本文設計系統能夠提高人臉識別的魯棒性，具有較高的實時性與識別精度。

關鍵詞：SSD模型；深度學習；人臉識別；特征向量

中圖分類號：TP 39" " " 文獻標志碼：A

人臉識別是利用攝像機收集人臉圖像，進而驗證身份信息的技術。與生物識別相比，人臉識別能夠通過視頻設備更直觀地識別人員信息，具有高效、易推廣等優勢[1]。目前的人臉識別研究主要集中在面部特征檢測，例如王傳傳等將人臉圖像進行歸一化處理，通過訓練模型取得了良好的識別效果[2]；劉敏將人臉圖片作為輸入信息計算3次樣條權函數，經試驗證明系統的識別率較高[3]。綜上所述，這些方法易受內、外因素干擾，算法魯棒性較低。傳統識別算法在發展中已逐步被深度學習算法代替，深度學習算法能夠利用數據集進行特征訓練，使模型具有較強的魯棒性[4]。本文在利用注意力機制改進歐氏距離函數的基礎上，設計了一種基于SSD深度學習算法的自動化人臉識別系統，首先，利用深度學習算法檢測人臉圖像，并對關鍵點進行預測。其次，利用SSD模型提取特征信息后構建本地特征庫，完成人臉識別。最后，比較待檢測人臉圖像向量與本地特征向量間的歐氏距離，判斷結果并輸出。試驗結果可知，該系統在滿足識別效率的同時也具有較高的識別精度，適應性更廣泛。

1 基礎工作

1.1 算法原理

深度學習算法是將人臉圖像映射至歐氏空間，設定最優閾值，計算不同人臉特征向量間的歐氏距離。如果歐氏距離低于設定閾值，就判定為同類；如果歐氏距離高于設定閾值，就判定為不同類。在框架中，根據既定尺寸輸入待識別樣本圖像，將其輸送至深度學習網絡中，提取輸入圖像的特征向量。其中，特征向量具有多維屬性，進行歸一處理后，通過映射得到特征向量均值，待二元損失函數回歸后得出最終的識別結果。

1.2 模型構建

深度學習算法是從一端到另一端的目標檢測算法。與雙階段的檢測模型相比，SSD模型不需要生成先驗候選框，能夠提升檢測準確率。為強化泛化能力，SSD模型將Inception-v4作為骨干網絡塊進行人臉特征提取，并將連接層轉變為卷積層，可在保證圖像檢測準確的過程中逐步改進漏檢與誤檢問題。SSD模型構建流程如圖1所示。

SSD模型采用方向梯度直方圖特征，使預測的人臉部位回歸現實，主要步驟如下：決策樹子節點存儲殘差回歸量，將輸入與殘差回顧量相加可得預測人臉形狀，如公式（1）所示。

q=（k1，k2，……，kn）

q（z+1）=qz+ε（epsilon）z （1）

式中：q表示n個關鍵點坐標的人臉形狀集合；kt表示圖像k的第t個關鍵點坐標（t=1，2……，n）；qz表示第z次預測出的人臉形狀；ε（epsilon）z表示第z次測算出的殘差回歸量。

1.3 函數的改進

歐氏距離函數是深度學習的核心構成，應用時一般通過在數據集上構建合適的距離來解決相應問題。在初始深度學習網絡中，模型通過深度學習網絡提取的特征距離來判定相似度。設輸入圖像樣本為x1、x2、y1和y2，通過歐氏距離求解距離|X|，如公式（2）所示。

（2）

從公式（2）可看出，歐氏距離表示各元素差的平方和，對奇異值來說沒有魯棒性。同時，歐氏距離不同維度尺度存在差異，進行相似人臉圖像訓練時可能會出現識別誤差。為了解決該問題，部分學者應用馬氏距離對歐氏距離進行修正，其本質是將樣本點線性轉換后計算距離，如公式（3）所示。

（3）

式中：ω表示正定矩陣，對輸入樣本點進行線性轉換。

替換歐氏距離函數后，計算度量距離中所需的參數γ，參數結果通過最小化函數獲得。設l（f）為損失函數，將對比損失作為損失函數，原因是深度學習網絡無法執行分類任務，但能執行不同樣本間的相似學習任務，如公式（4）所示。

（4）

當模型學習完不同樣本間的相似性后，在深度學習網絡結構中添加分類器進行分類，如公式（5）所示。

（5）

在公式（5）中，m為1時表示同類別，反之為不同類別。分類器設計好后，根據深度學習網絡特有圖像進行圖像訓練。設數據集中有a類樣本，各類中有b個樣本，根據傳統訓練模式，模型需要a×b個數據。使用深度學習網絡時，可自由定義數據點，該數據點就是深度學習網絡需要訓練的數據數量，其中半數為同類別，其余則為不同類別。按照排序組合，可將最大樣本數s表示為公式（6）。

（6）

由公式（6）可知，在完整的人臉圖像數據庫中，利用較少的訓練樣本可得一定數量的訓練數據，與生成式的對抗網絡生成的圖像相比，深度學習網絡降低了噪聲干擾，進而增加了模型的魯棒性。

2 系統設計

2.1 整體框架

系統實現框架如圖2所示，包括人臉信息收集與人臉圖像識別2個模塊。首先，利用攝像機收集人員信息，通過信息提取與特征提取構建人臉信息特征庫。其次，攝像機收集人臉圖像，并根據所得圖像信息提取人臉特征，從而獲得待識別特征。最后，將這些待檢測特征與特征庫信息進行比較，并輸出最終結果。

2.2 信息收集

信息收集的作用是收集待識別人臉特征，并將其添加至本地特征庫中。信息收集流程如圖3所示。1）收集整體圖像。調用Oracle深度學習數據庫中的歐氏距離函數，使用攝像機讀取人員視頻流，從中截取部分視頻幀，構成數據集，并標記好各類信息名稱。2）提取圖像。使用SSD模型檢測已標記的圖像信息，利用回歸分析法分析圖像信息后將數據傳輸到圖像庫。3）提取特征。根據圖像庫存儲信息，利用SSD模型提取特征向量，不同圖像均可通過深度學習網絡提取出多維特征向量。4）搭建特征庫。存儲提取的特征向量和對應信息，將存儲格式設置為TXT，用字符串記錄標簽并存儲特征向量。

2.3 人臉識別

人臉識別的作用是完成人臉識別，即通過攝像機獲取待識別人臉信息。人臉識別流程如圖4所示。1）載入圖像特征庫。信息收集模塊與特征庫相連，將上述存儲的特征向量及其對應信息作為識別結果進行輸出，其中特征向量通過矩陣載入，對應信息以Json載入。2）向量匹配。合理匹配提取出的特征向量和特征庫向量，從而獲取待檢測信息，并通過測算歐氏距離判斷匹配是否成功。3）輸出結果。比較待檢測特征向量、本地特征向量的歐氏距離|X|和已設閾值，如果已設閾值低于|X|，可知匹配失敗；如果已設閾值高于|X|，可知匹配成功。最后輸出與特征向量對應的信息。

3 系統試驗

3.1 試驗配置

為了驗證系統性能，本文進行了人臉識別試驗。試驗數據來自常用的WiderFace數據集。該數據集包括大量不同種類、尺寸、姿態和遮擋程度的人臉圖像，因此被廣泛應用于人臉檢測算法的訓練和性能評估。本試驗運行軟硬件環境見表1。

3.2 模型訓練

SSD模型采用梯度下降進行相應訓練，設定學習率初始值為0.01，當多次驗證模型準確率迭代次數不出現變化時，學習率就會降低50%。因為數據樣本量較大，所以選取數據集中的一部分進行試驗，其余數據用于訓練模型。在訓練過程中，當迭代次數為120時，模型準確率開始逐步穩定，同時相應損失率為1.3%。為驗證檢測準確率的上限，將最大迭代次數設置為210。當迭代次數達到150時，準確率已無較大變化，因此綜合訓練時長與損耗率等因素已無較多參考價值，不再進一步增加迭代次數。強化前、后SSD模型訓練的準確率與損失率如圖5所示。從試驗結果可知，強化前的準確率為95.3%左右，強化后的準確率高達98.5%，相應的訓練損失率可以忽略不計。

3.3 速度檢測

基于SSD深度學習算法的自動化人臉識別系統主要利用ISV-V02M013S-N高級視頻分析攝像機對識別結果進行速度檢測。進行系統試驗后可知，本系統的識別速度均值＞25f/s，已遠超所需的23f/s標準，因此本系統在人臉識別速度上符合現實工作需要。

3.4 精度檢測

為進一步驗證系統識別精度，從數據集中隨機抽取300人（600張圖像）進行檢測。每個人有2幅圖像，選擇其中一幅作為待檢測圖像，另一幅放于特征庫。設定特征向量間的歐氏距離和閾值，如果閾值小于歐氏距離，可知特征庫中不存在圖像數據，反之則需要重新判斷準確率。精度檢測具體情況見表2。當閾值為0.5時，識別準確率最高，為99.5%。由試驗可知，本系統在識別準確率方面能夠滿足現實所需。

4 結語

綜上所述，本文在利用注意力機制改進歐氏距離函數的基礎上，設計了一種基于SSD深度學習算法的自動化人臉識別系統。在仿真測試中，SSD模型在檢測與識別上具有較好表現，系統的識別速度超過25f/s。當特征向量間的歐氏距離為0.5時，識別準確率高達99.3%，人臉識別的魯棒性有所提高。該系統具有顯著的識別效果，能夠應用于不同的人臉識別領域。

參考文獻

[1]賀宇桐，盧泓熹.基于單目RGB活體檢測技術人臉識別系統的研究與實現[J].內蒙古科技與經濟，2023（24）：120-124.

[2]王傳傳，高婕.基于改進FaceNet算法的人臉智能識別方法[J].工業控制計算機，2024，37（2）：126-128.

[3]劉敏.基于樣條權函數神經網絡的人臉識別研究[J].現代信息科技，2024，8（4）：109-112.

[4]焦陽陽，黃潤才，萬文桐，等.基于圖像融合與深度學習的人臉表情識別[J].傳感器與微系統，2024，43（3）：148-151.