朱 梅，陳易萍，姚 毅，樊中奎，李 渤

(1.江西理工大學(xué)a.軟件工程學(xué)院，江西 南昌 330013；b.應(yīng)用科學(xué)學(xué)院，江西 贛州 341000；2.南昌市農(nóng)業(yè)科學(xué)院，江西 南昌 330200)

近年來(lái)，卷積神經(jīng)網(wǎng)絡(luò)(CNN)在計(jì)算機(jī)視覺(jué)領(lǐng)域取得了巨大的成功。眾多的視覺(jué)任務(wù)：圖像分類、物體檢測(cè)、人臉驗(yàn)證及識(shí)別都受益于CNN模型的分類能力，性能得到了很大的提高。當(dāng)前使用基于CNN的模型的人臉識(shí)別在LFW數(shù)據(jù)集上的識(shí)別精度達(dá)到99%[1]，并在商業(yè)上得到了應(yīng)用。

目前，多個(gè)CNN方法被用于人臉驗(yàn)證，Taigman[2]使用CNN模型提取人臉的特征向量，然后將這些特征向量輸入到貝葉斯分類法及高斯分類法進(jìn)行人臉驗(yàn)證，但這種方法在樣本分布不均勻的情況下難以正確的分類。Y.Sun[3]采用人臉對(duì)齊及對(duì)人臉進(jìn)行多分片的方法進(jìn)行人臉特征的提取，提高了人臉驗(yàn)證的魯棒性，但耗時(shí)較長(zhǎng)。F.Schroff[4]提出了使用triplet loss來(lái)驗(yàn)證兩個(gè)樣本是否為同一實(shí)體克服了基于多分類網(wǎng)絡(luò)只用于分類而不能用于驗(yàn)證的瓶頸，但是對(duì)于訓(xùn)練集中不存在的新實(shí)體無(wú)法進(jìn)行驗(yàn)證并且需要手工確定分類的閾值。Chen.Jun Cheng[5]使用多任務(wù)的深度卷積網(wǎng)絡(luò)模型進(jìn)行識(shí)別和驗(yàn)證，多任務(wù)學(xué)習(xí)為提高人臉表示的泛化能力提供了一種有效的方法，然而基于多任務(wù)的神經(jīng)網(wǎng)絡(luò)的收斂性仍然是一個(gè)挑戰(zhàn)，識(shí)別和驗(yàn)證的選擇需要手工確定的，并且效果嚴(yán)重依賴訓(xùn)練集。

以往的方法取得了重要的發(fā)展，但仍有許多不足之處有待改進(jìn)。首先，一些方法在CNN測(cè)試前需要進(jìn)行人臉對(duì)齊或仿射變換等預(yù)處理，這會(huì)消耗大量的計(jì)算時(shí)間。其次，使用復(fù)雜的CNN模型和多分片進(jìn)行人臉驗(yàn)證，生成了大量的中間數(shù)據(jù)，需要較大的存儲(chǔ)空間和計(jì)算時(shí)間[1，5]。第三，從CNN中提取特征向量，然后在其他平臺(tái)上進(jìn)行人臉驗(yàn)證的不能做到從輸入端到輸出端不間斷連續(xù)的過(guò)程處理，影響驗(yàn)證效率及操作體驗(yàn)。針對(duì)目前研究的不足，本文提出了一種基于深度學(xué)的非對(duì)齊人臉驗(yàn)證框架(如圖1所示)。在框架中設(shè)計(jì)具有較少層數(shù)和參數(shù)的卷積神經(jīng)網(wǎng)絡(luò)，具有良好的人臉驗(yàn)證的準(zhǔn)確度同時(shí)減少了計(jì)算量提高了處理速度；在驗(yàn)證過(guò)程中抽象出SIFT描述符進(jìn)行人臉驗(yàn)證可以有效減小姿態(tài)變化的影響，不需要人臉對(duì)齊預(yù)處理情況下進(jìn)行驗(yàn)證，讓人臉驗(yàn)證過(guò)程能夠進(jìn)行端到端處理，提高了驗(yàn)證過(guò)程的完整性；采用級(jí)聯(lián)法提高了人臉識(shí)別的精度，減少了人臉識(shí)別的運(yùn)行時(shí)間。CNN模型在CASIA-Web Face數(shù)據(jù)集上進(jìn)行訓(xùn)練，并在著名的LFW和You Tube(YTF)數(shù)據(jù)集上進(jìn)行評(píng)估,取得了優(yōu)異的性能。論文主要貢獻(xiàn)如下:

(1)設(shè)計(jì)出一個(gè)人臉驗(yàn)證框架?？蚣芊譃槿齻€(gè)階段：在第一個(gè)階段，CNN得到了充分的訓(xùn)練得到模型;第二階段，在CNN中加入triplet loss對(duì)第一階段的模型進(jìn)行微調(diào)適應(yīng)人臉驗(yàn)證;第三階段采用級(jí)聯(lián)法進(jìn)行人臉驗(yàn)證。框架不僅提高了人臉識(shí)別的精度，而且減少了人臉識(shí)別的運(yùn)行時(shí)間。

(2)在卷積網(wǎng)絡(luò)的池化過(guò)程中提取SIFT描述符，用于人臉驗(yàn)證。由于SIFT描述符具有良好的尺度不變性和旋轉(zhuǎn)不變性，可以在非人臉對(duì)齊的情況下獲得較好的人臉驗(yàn)證效果。

(3)設(shè)計(jì)了兩個(gè)CNN被來(lái)適應(yīng)不同的設(shè)備。CNN1層數(shù)少、參數(shù)少，能較好地滿足時(shí)間成本和驗(yàn)證精度的要求，適用于智能手機(jī)平臺(tái)。CNN2層數(shù)多，參數(shù)多，性能優(yōu)良，適合在服務(wù)器上使用。

2 相關(guān)工作

人臉驗(yàn)證是計(jì)算機(jī)視覺(jué)領(lǐng)域研究的熱點(diǎn)之一。通過(guò)許多研究人員的努力，近年來(lái)精度得到了顯著提高。人臉驗(yàn)證研究主要集中在以下方面。

特征提取:識(shí)別人臉特征表示的提取是人臉驗(yàn)證的第一步。它大致可分為兩類:手工生成的特性，以及從數(shù)據(jù)中學(xué)習(xí)的特性。在第一類中，Ahonen[6]等人在中提出使用局部二值模式(LBP)來(lái)表示人臉。Chen[7]等人在中利用高維多尺度LBP特征提取人臉標(biāo)記周圍的特征，對(duì)人臉進(jìn)行了驗(yàn)證，取得了良好的效果。Gabor小波具有良好的方向選擇和尺度選擇特性，Xie[8]和Zhang[9]使用該方法對(duì)人臉圖像的多尺度、多方向信息進(jìn)行編碼。在第二類中，Patel[10]和Chen[11-12]采用基于字典的方法，通過(guò)從樣本中學(xué)習(xí)對(duì)姿態(tài)和光照變化具有魯棒性的代表性特征來(lái)進(jìn)行人臉識(shí)別和驗(yàn)證。采用Fisher向量[13](FV)編碼生成完備的高維特征表示。Lu等[14]提出了一種字典學(xué)習(xí)框架來(lái)生成高維特征向量。上述方法需要高維特征向量，難以在大型數(shù)據(jù)集中進(jìn)行訓(xùn)練和應(yīng)用。然而，隨著深度學(xué)習(xí)的發(fā)展，利用深度卷積神經(jīng)網(wǎng)絡(luò)(DCNN)可以從大數(shù)據(jù)集中學(xué)習(xí)分類特征。Taigman等[2]從大規(guī)模人臉數(shù)據(jù)集中學(xué)習(xí)生成人臉特征的深度網(wǎng)絡(luò)模型，取得了比傳統(tǒng)人臉驗(yàn)證方法更好的性能。Sun等[1]在LFW數(shù)據(jù)集上實(shí)現(xiàn)了出色的人臉驗(yàn)證性能。Schroff等[4]將深度結(jié)構(gòu)從對(duì)象識(shí)別應(yīng)用到人臉驗(yàn)證，并對(duì)其進(jìn)行三重?fù)p失訓(xùn)練，取得了較好的效果。這些工作從本質(zhì)上證明了DCNN模型對(duì)特征學(xué)習(xí)的有效性。

度量學(xué)習(xí):從數(shù)據(jù)中學(xué)習(xí)相似性度量是提高人臉驗(yàn)證系統(tǒng)性能的另一個(gè)關(guān)鍵部分。在過(guò)去的十年中，人們提出了許多度量學(xué)習(xí)算法，其中一些已經(jīng)成功地應(yīng)用于人臉驗(yàn)證。這些方法的共同目標(biāo)是學(xué)習(xí)一種良好的距離度量，使正樣本對(duì)之間的距離盡可能地減小，負(fù)樣本之間對(duì)之間的距離盡可能地增大。例如，Sun等[1]提出了大邊際最近鄰(LMNN)度量，該度量在所有三組標(biāo)記訓(xùn)練數(shù)據(jù)之間強(qiáng)制執(zhí)行大邊際約束。Taigman等[15]使用信息論度量學(xué)習(xí)(ITML)方法學(xué)習(xí)馬氏距離。Chen等[16]中提出了一種用于人臉驗(yàn)證的聯(lián)合貝葉斯方法，該方法對(duì)一對(duì)人臉圖像的聯(lián)合分布而不是它們之間的差異進(jìn)行建模，用類內(nèi)概率與類間概率之比作為相似性度量。Hu等[17]研究了深度神經(jīng)網(wǎng)絡(luò)框架下的判別度量。Huang等[18]研究了一組保留底層流形結(jié)構(gòu)的標(biāo)記圖像上的投影度量。

3 方法介紹

我們提出的方法設(shè)計(jì)了兩個(gè)參數(shù)不同的CNN架構(gòu)。為了使CNN架構(gòu)適合人臉驗(yàn)證，在CNN架構(gòu)使用三元組樣本，用于對(duì)CNN訓(xùn)練得到的模型進(jìn)行微調(diào)。在測(cè)試階段，從池化層中提取SIFT描述符，進(jìn)行非對(duì)齊的級(jí)聯(lián)人臉驗(yàn)證，取得良好的效果。圖1給出了方法的流程圖。方法詳細(xì)實(shí)現(xiàn)在下面介紹。

3.1 深度卷積神經(jīng)網(wǎng)絡(luò)

本文針對(duì)不同的應(yīng)用平臺(tái)提供了兩種CNN架構(gòu)。CNN1的層數(shù)和參數(shù)比CNN2少(如表1所示)，因此CNN1比CNN2需要更少的訓(xùn)練和測(cè)試時(shí)間。CNN1包含5個(gè)卷積層和4個(gè)池化層，F(xiàn)C5a和Conv5b具有相同輸入層為池化層4;FC5b1為Conv5b的頂層;FC6為FC5與FC5b1的和，網(wǎng)絡(luò)輸入圖像的分辨率是224*224，輸出為一個(gè)160維向量,CNN1的數(shù)據(jù)量為22M。CNN2包含10個(gè)卷積層和5個(gè)池化層，輸出為4096維向量，共有2.239億個(gè)參數(shù)。在CNN1和CNN2中卷積核由高斯函數(shù)初始化，使用ReLU作為激活函數(shù)，使用Dropout避免過(guò)擬合，使用Softmax-loss進(jìn)行多分類。

為了使CNN適合人臉驗(yàn)證，使用triplet loss對(duì)CNN模型微調(diào)(如圖1所示)，微調(diào)僅改變最后一個(gè)全連接層的參數(shù)，使正樣本之間的距離變小，正負(fù)之間的距離變大(如圖2所示)。在微調(diào)階段，CNN需要輸入的三元組包含三個(gè)樣本，一幅為錨點(diǎn)，一幅為正樣本，另一幅為負(fù)樣本利用triplet loss通過(guò)訓(xùn)練求出最小的區(qū)間，當(dāng)兩幅圖像之間的距離大于最小區(qū)間則認(rèn)為是不同的人，否則圖像描述的是同一個(gè)人。

從表1和表2可以看出:CNN1(如表1所示)網(wǎng)絡(luò)層數(shù)和參數(shù)較少，CNN2(如表2所示)網(wǎng)絡(luò)層數(shù)和參數(shù)較多。與CNN2相比，CNN1在訓(xùn)練和測(cè)試中消耗的時(shí)間更少，適合在手機(jī)等小型設(shè)備上運(yùn)行。

表1 CNN1架構(gòu)

表2 CNN2架構(gòu)

3.2 使用triplet loss進(jìn)行模型訓(xùn)練

根據(jù)常識(shí)同一個(gè)人圖像有更多的相似性，所以同一個(gè)人的人臉圖像特征之間的距離應(yīng)被集中到一個(gè)很小的范圍之內(nèi)。triplet loss試圖在每對(duì)人臉之間建立一個(gè)從一個(gè)人臉圖片到其它人臉圖片的間距(如圖2所示)。

兩張人臉圖片是否為相同的人需要通過(guò)驗(yàn)證的方式來(lái)確定的。但是目前的深度學(xué)習(xí)網(wǎng)絡(luò)模型主要應(yīng)用在圖像的分類，不適合人臉圖片的驗(yàn)證，因此我們需要設(shè)計(jì)一種適合人臉驗(yàn)證的深度學(xué)習(xí)網(wǎng)絡(luò)。本文在CNN的末端添加triplet loss層使之適合人臉圖片的驗(yàn)證(如圖3所示)。

經(jīng)過(guò)使用triplet loss進(jìn)行模型微調(diào)訓(xùn)練，得到了一個(gè)低維向量，對(duì)人臉識(shí)別具有較強(qiáng)的識(shí)別力?？紤]一個(gè)三元組{a,p,n}，其中a(anchor)和p(positive)來(lái)自同一個(gè)實(shí)體，而n(negative)屬于不同的實(shí)體。我們的目標(biāo)是樣本特征向量的W映射應(yīng)滿足(1)約束:

(Wa)T·(Wp)>(Wa)T·(Wn)

(1)

在我們的方法中,在CNN1中{a,p,n}∈R160和CNN2{a,p,n}∈R4096，它們通過(guò)W被歸一化為單位長(zhǎng)度。因此，Wa、Wp、Wn是a、p、n在投影W下的相似性特征向量。(1)中的約束條件要求在低維空間中，錨點(diǎn)與正樣本的相似性應(yīng)大于錨點(diǎn)與負(fù)樣本的相似性。因此，映射矩陣W應(yīng)能夠?qū)㈠^點(diǎn)與正樣本距離縮小，錨點(diǎn)與負(fù)樣本距離增大，經(jīng)過(guò)驗(yàn)證選擇Wa、Wp、Wn的維數(shù)為d=128。

根據(jù)一個(gè)三元組標(biāo)記的樣本的特征向量，我們解決以下優(yōu)化問(wèn)題:

(2)

其中T是三元組集，α是根據(jù)驗(yàn)證集來(lái)選擇的邊距參數(shù)。在實(shí)際應(yīng)用中，采用增大區(qū)分度的隨機(jī)梯度下降法(SGD)解決了上述問(wèn)題，解決(2)的更新迭代步驟為:

Wt+1=Wt-η*Wt*(a(n-p)T+(n-p)aT)

(3)

Wt為第t次迭代的估值,Wt+1為更新值,{a,p,n}是一個(gè)三元組樣本，η為學(xué)習(xí)速率。

3.3 SIFT描述符提取

人臉對(duì)齊是人臉驗(yàn)證的難點(diǎn)，需要大量的運(yùn)行時(shí)間，嚴(yán)重影響人臉驗(yàn)證的性能。SIFT描述符具有旋轉(zhuǎn)不變性、尺度縮放、亮度變化以及查看變化、仿射變換和噪聲的穩(wěn)定性等優(yōu)點(diǎn)。如果我們可以從卷積神經(jīng)網(wǎng)絡(luò)得到信息SIFT描述符，它可以在不需要人臉對(duì)齊的情況下幫助人臉驗(yàn)證。下采樣是卷積神經(jīng)網(wǎng)絡(luò)中一個(gè)必不可少的過(guò)程，在最大池化過(guò)程中可以得到圖像特征點(diǎn)的方向和梯度信息，能夠同步的獲取SIFT描述符。

在池化過(guò)程中人臉的SIFT描述符由以下過(guò)程獲得。由式(4)得到最大值和式(5)得到平均值，其中vi為樣本塊元素，如圖6所示。梯度g為最大值m減去平均值a(如式(6)所示)。梯度方向由式(7)得到

m=max(v0,v1,v2,v3)

(4)

a=avg(v0,v1,v2,v3)

(5)

g=m-a

(6)

θ=90×i+90×((m-v(i+3)%4)/((m-v(i+5)%4)+(m-v(i+3)%4)))

(7)

其中i為最大值m索引值，θ取值范圍為0～360度，分為8個(gè)區(qū)域，每個(gè)區(qū)域有45度，{0°，45°，90°，135°，180°，225°，270°，315°}代表8個(gè)方向(如圖4所示)。

在從2×2圖像區(qū)域獲得梯度和方向之后(如圖4所示)，描述單元通過(guò)4×4梯度和方向塊中的8個(gè)方向的梯度統(tǒng)計(jì)獲得(如圖5a所示)。4×4描述單元構(gòu)成一個(gè)SIFT描述符，由128維向量表示(如圖5b所示)。由圖5b所示一個(gè)SIFT描述符需要從32×32圖像區(qū)域中提取。

3.4 人臉驗(yàn)證

利用兩幅人臉圖像的距離D(xi,xj)確定相同和不同的分類。同一人的所有人臉對(duì)(i，j)用Psame表示，而不同人的所有人臉對(duì)用Pdiff表示。

我們把所有真正接受的集合定義為

TA(d)={(i,j)∈Psame|D(xi,xj)≤d}

(8)

這些是在閾值d時(shí)正確分類為相同的人臉對(duì)(i,j)。

FA(d)={(i,j)∈Pdiff|D(xi,xj)≤d}

(9)

FA(d)是錯(cuò)誤分類為相同(錯(cuò)誤接受)的所有對(duì)的集合。然后將給定人臉距離d的驗(yàn)證率VAL(d)定義為

(10)

相應(yīng)地，錯(cuò)誤接受率FAR(d)是

(11)

從最大池化的結(jié)果(如圖6所示)可以看出，它保留了更好的人臉特征，我們?cè)谧畲蟪剡^(guò)程中提取最大值時(shí)，可以快速地獲得方向信息，從而方便地獲得SIFT描述符。在CNN1和CNN2中，第一池化層可以得到49個(gè)描述符，第二池化層可以得到16個(gè)描述符。

為了進(jìn)行快速的人臉驗(yàn)證，我們?cè)O(shè)計(jì)了基于級(jí)聯(lián)的驗(yàn)證方法，該方法包含三個(gè)連續(xù)驗(yàn)證步驟(如圖7所示)。利用池化結(jié)果中提取的SIFT描述符進(jìn)行ver1和ver2驗(yàn)證，保證了不需要人臉對(duì)齊情況下的驗(yàn)證準(zhǔn)確性。如表1所示，CNN1中pool1和poo2層有20和40個(gè)池化層結(jié)果，如表2所示CNN2中pool1和poo2層有32和64個(gè)池化結(jié)果，采用所有中間卷積結(jié)果進(jìn)行驗(yàn)證，能夠有效保證驗(yàn)證精度。在驗(yàn)證過(guò)程中設(shè)置一個(gè)閥值，當(dāng)相似度大于閥值時(shí)，表示來(lái)自同一個(gè)人的兩張照片，當(dāng)相似度小于閥值時(shí)，表示來(lái)自不同人的兩張照片。在驗(yàn)證過(guò)程中，只有當(dāng)前一步驗(yàn)證為同一個(gè)人時(shí)，才允許它們進(jìn)入下一步驗(yàn)證，具體驗(yàn)證過(guò)程如圖7所示。

4 實(shí)驗(yàn)

4.1 數(shù)據(jù)集選擇和預(yù)處理

神經(jīng)網(wǎng)絡(luò)需要使用大數(shù)據(jù)集進(jìn)行訓(xùn)練，選擇合適的訓(xùn)練數(shù)據(jù)集非常重要。CASIA-WebFace有足夠的實(shí)體，并且每個(gè)圖像都有標(biāo)簽，所以它們更適合CNN的訓(xùn)練和微調(diào)。CASIA-WebFace包含493,456張人臉圖像，包含10,575個(gè)實(shí)體。

本文使用LFW和YTF兩個(gè)常用的數(shù)據(jù)集進(jìn)行評(píng)估，這兩個(gè)數(shù)據(jù)集是在無(wú)約束條件下人臉驗(yàn)證的事實(shí)標(biāo)準(zhǔn)集。LFW數(shù)據(jù)集包含13233張來(lái)自互聯(lián)網(wǎng)的5749個(gè)實(shí)體的人臉圖像。YTF包含了從YouTube上收集的1595人的3425個(gè)視頻，是視頻中人臉驗(yàn)證的標(biāo)準(zhǔn)基準(zhǔn)。為了便于比較，算法通常給出LFW和YTF中給定6000對(duì)人臉的平均人臉驗(yàn)證精度和ROC曲線。利用CASIA-WebFace數(shù)據(jù)集訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)。在訓(xùn)練之前，所有的人臉圖像歸一化為224×224。

4.2 訓(xùn)練

CNN訓(xùn)練分為兩個(gè)階段(如圖1所示)，第一個(gè)階段使用大量的樣本對(duì)網(wǎng)絡(luò)的分類能力進(jìn)行訓(xùn)練，使網(wǎng)絡(luò)的趨于穩(wěn)定。每二個(gè)階段主要進(jìn)行人臉驗(yàn)證能力的訓(xùn)練使網(wǎng)絡(luò)能夠進(jìn)行人臉驗(yàn)證。

第一階段使用softmax loss對(duì)CNN進(jìn)行訓(xùn)練，得到CNN模型。訓(xùn)練使用開源的深度學(xué)習(xí)框架pytorch在ImageNet大型數(shù)據(jù)集上進(jìn)行。CNN1和CNN2的訓(xùn)練參數(shù)進(jìn)行相應(yīng)設(shè)置。CNN1中動(dòng)量設(shè)為0.9，卷積層和全連接層的權(quán)值衰減設(shè)為5e-3，為了避免全連接層的過(guò)擬合，將dropout設(shè)為0.5。在CNN2中，動(dòng)量設(shè)為0.9，卷積層和全連接層的權(quán)值衰減設(shè)為5e-4。fc6全連接層是用于人臉驗(yàn)證任務(wù)的人臉表示。從fc6層到fc7層的參數(shù)都非常大，對(duì)于學(xué)習(xí)大的全連通層參數(shù)可能會(huì)導(dǎo)致過(guò)擬合。為了克服它，我們將dropout設(shè)置為0.5。Xavier用于卷積層參數(shù)初始化，Gaussian用于完全連接層初始化。深度模型在GTX1070上訓(xùn)練了2周。

第二階段是對(duì)網(wǎng)絡(luò)的人臉驗(yàn)證能力進(jìn)行訓(xùn)練，主要目標(biāo)是縮小相同實(shí)體之間的距離及增大不同實(shí)體之間的距離。輸入數(shù)據(jù)需要一個(gè)圖像組，每個(gè)組包含三個(gè)圖像(一個(gè)錨點(diǎn)樣本，一個(gè)正樣本，一個(gè)負(fù)樣本)。在此階段，我們只訓(xùn)練triplet loss層，而保持其他層的參數(shù)不變。我們從CASIA-Webface數(shù)據(jù)集中選擇5606個(gè)實(shí)體，其中每個(gè)實(shí)體包含至少30張用于訓(xùn)練的圖片。

4.3 測(cè)試

我們?cè)贚FW和YTB數(shù)據(jù)集上使用給定的標(biāo)準(zhǔn)的樣本對(duì)我們的方法進(jìn)行評(píng)估，該數(shù)據(jù)集總共定義了3000組正對(duì)和3000組負(fù)對(duì)樣本，并將它們進(jìn)一步劃分為10個(gè)不相交子集進(jìn)行交叉驗(yàn)證。每個(gè)子集包含300組正對(duì)樣本和300組負(fù)對(duì)。在級(jí)聯(lián)人臉驗(yàn)證過(guò)程中(如圖7所示)，在第一次驗(yàn)證(ver1)中將低閥值設(shè)置為0.4，當(dāng)相似性在0.4以上時(shí)，認(rèn)為兩幅人臉圖片來(lái)自同一實(shí)體，將進(jìn)行第二次驗(yàn)證(ver2)，否則將顯示來(lái)自不同實(shí)體的兩幅圖像；ver2中閥值設(shè)為0.7，驗(yàn)證過(guò)程與ver1相同(如圖7所示)，ver3中使用深度學(xué)習(xí)特征進(jìn)行最終驗(yàn)證。

根據(jù)表3，表4中的結(jié)果，我們得到以下結(jié)果：CNN1和CNN2的模型都在LFW和YouTube數(shù)據(jù)集上實(shí)現(xiàn)了良好的性能。該框架在人臉對(duì)齊和無(wú)對(duì)齊兩種情況下均能獲得較好的性能。在沒(méi)有人臉對(duì)齊的LFW和YouTube人臉數(shù)據(jù)集中，CNN1的人臉驗(yàn)證準(zhǔn)確率分別為96.53%和93.65%，CNN2在LFW和YouTube人臉數(shù)據(jù)集中的人臉驗(yàn)證準(zhǔn)確率分別為98.37%和94.49%。

表3 在LFW上進(jìn)行人臉驗(yàn)證

表4 在YouTube上進(jìn)行人臉驗(yàn)證

4.4 結(jié)果分析

在本節(jié)中，分析了框架的效果。我們?cè)贚FW數(shù)據(jù)集上對(duì)CNN1和CNN2進(jìn)行測(cè)試，表5給出了測(cè)試結(jié)果。

表5 LFW的性能評(píng)估

我們從以下幾個(gè)方面分析測(cè)試結(jié)果，網(wǎng)絡(luò)結(jié)構(gòu)：通過(guò)表5中第1行與第7行、第2行與第8行、第3行與第9行、第4行與第10行的比較可以看到在同等條件下CNN2比CNN1的性能明顯提高。其中原因?yàn)椋篊NN2具有更多的層和參數(shù)，可以獲得良好的表示向量；從表5第1行對(duì)第2行，第7行對(duì)第8行可以看出由于使用了級(jí)聯(lián)驗(yàn)證性能明顯提高；從表5第6、12行結(jié)果可以看出方法能夠有效地防止人臉姿態(tài)變化的影響；從表5第1行與第3行可以看出，經(jīng)過(guò)級(jí)聯(lián)驗(yàn)證，性能提高了4.2%；從表5第2行與第4行對(duì)比可以看出使用trilet loss進(jìn)行微調(diào)具有重要的作用，準(zhǔn)確率提高了8.83%。

級(jí)聯(lián)驗(yàn)證分析：在本節(jié)中，我們將評(píng)估級(jí)聯(lián)驗(yàn)證框架的性能。從表6的結(jié)果可以看出，Ver1在沒(méi)有對(duì)人臉對(duì)齊的情況下，具有較高的驗(yàn)證精度。這里有以下原因:首先，池化層的結(jié)果比原始圖像具有更明顯的紋理特征，這使得從池化結(jié)果中提取的SIFT描述符具有更好的分類能力。其次，pooling1的多個(gè)池化結(jié)果用于驗(yàn)證，這確保了驗(yàn)證的準(zhǔn)確性。從表6第2行與第5比較可以看出ver2明顯的提高了準(zhǔn)確性，這是由于ver2是基于ver1的第二次驗(yàn)證，它使用了更多的池化結(jié)果來(lái)驗(yàn)證；Ver3通過(guò)人臉的深度特征驗(yàn)證實(shí)現(xiàn)了更好的驗(yàn)證結(jié)果。驗(yàn)證結(jié)果表明，級(jí)聯(lián)的驗(yàn)證在非對(duì)齊人臉的驗(yàn)證中能夠有效的提高準(zhǔn)確率。

表6 LFW的級(jí)聯(lián)人臉驗(yàn)證測(cè)試

運(yùn)行速度分析：從表7中可以看出，我們的方法具有很高的計(jì)算速度，原因如下：我們的CNN架構(gòu)有更少的層和參數(shù);無(wú)需人臉對(duì)齊且SIFT描述符利用池化過(guò)程中同步得到的有效節(jié)省了計(jì)算時(shí)間。

如表7所示，對(duì)于一對(duì)人臉圖像驗(yàn)證，CNN1的CPU時(shí)間為70ms;結(jié)果表明該模型可能適用于智能手機(jī)等小型設(shè)備上。使用CNN2模型對(duì)一對(duì)人臉圖片驗(yàn)證需要CPU時(shí)間為560ms，但使用GPU時(shí)只需要到67ms，表明CNN2適用于使用GPU在設(shè)備上運(yùn)行。

表7 一對(duì)圖像驗(yàn)證的時(shí)間(它在具有GPU GTX1070的單核i7 6700上進(jìn)行測(cè)試)

4.5 與當(dāng)前方法對(duì)比

本文采用LFW和YTF兩個(gè)著名的人臉識(shí)別和驗(yàn)證數(shù)據(jù)集上評(píng)估我們的模型。從圖8和圖9 ROC比較來(lái)看，CNN2模型在兩個(gè)數(shù)據(jù)集上均優(yōu)于當(dāng)前最好的方法；雖然CNN1所包含的層數(shù)和參數(shù)較少，但其性能也非常顯著。兩種方法在人臉圖片非對(duì)齊的情況下同樣能取得較好的準(zhǔn)確度。

5 結(jié)論

本文設(shè)計(jì)了一個(gè)基于深度學(xué)習(xí)的非對(duì)齊人臉驗(yàn)框架。在該框架中首先使用softmax loss對(duì)深度網(wǎng)絡(luò)進(jìn)行的充分的分類能力訓(xùn)練；然后加入triplet loss層進(jìn)行微調(diào)使之適合于人臉驗(yàn)證。本文提出了在網(wǎng)絡(luò)運(yùn)行過(guò)程中間結(jié)果中同步提取SIFT描述符進(jìn)行級(jí)聯(lián)驗(yàn)證，減少了人臉姿態(tài)變化對(duì)人臉驗(yàn)證的影響，有效提高了人臉驗(yàn)證速度與精確度。為了使框架能夠具有更廣泛的應(yīng)用，設(shè)計(jì)了兩個(gè)CNN架構(gòu)：CNN1具有較少的層和參數(shù)需要較小的計(jì)算量，可用于智能手機(jī)等小型計(jì)算設(shè)備；CNN2模型具有更多的層數(shù)和參數(shù)需要較大的運(yùn)算量，適用于具有GPU的大型運(yùn)算設(shè)備。經(jīng)過(guò)在LFW和YTF數(shù)據(jù)集上測(cè)試結(jié)果表明，該框架在人臉?lè)菍?duì)齊的情況下具有優(yōu)秀的性能。