周立廣 韋智勇

【關(guān)鍵詞】深度學(xué)習(xí);輕量級(jí);人臉檢測(cè);人臉特征

【中圖分類號(hào)】TP391.41;TP181【文獻(xiàn)標(biāo)識(shí)碼】A【文章編號(hào)】1674-0688（2021）06-0057-03

隨著全球人工智能技術(shù)的高速發(fā)展，生物識(shí)別技術(shù)成為該領(lǐng)域的研究熱點(diǎn)，其主要是利用人體皮膚、人臉、指紋等特征作為技術(shù)識(shí)別的方式，其中，人臉識(shí)別為主要的識(shí)別方式，該方式具有精準(zhǔn)性、唯一性、有效性特點(diǎn)，這種特點(diǎn)是無(wú)法進(jìn)行模擬和仿制的。目前，人臉識(shí)別技術(shù)已逐步運(yùn)用于各個(gè)領(lǐng)域當(dāng)中，傳統(tǒng)的識(shí)別技術(shù)也逐步被其替代。同時(shí)，這項(xiàng)技術(shù)的精準(zhǔn)度在進(jìn)一步提高。人臉識(shí)別算法總體上經(jīng)歷了3個(gè)發(fā)展階段，即由早期的空間幾何算法發(fā)展到人工特征算法，直到發(fā)展到今天的深度學(xué)習(xí)算法。深度學(xué)習(xí)算法應(yīng)用廣泛，并且在很多領(lǐng)域中都有深入研究，尤其是基于神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)的人臉識(shí)別算法，其發(fā)展迅猛，主要是通過(guò)不同的人臉特征進(jìn)行向量提取，并進(jìn)行深度學(xué)習(xí)，即通過(guò)識(shí)別算法把人臉特征存儲(chǔ)在向量庫(kù)中，向量庫(kù)的數(shù)據(jù)量越大，識(shí)別的準(zhǔn)確率也就越高。

1 關(guān)于深度學(xué)習(xí)的相關(guān)理論

1.1 深度學(xué)習(xí)技術(shù)

人工智能是目前全球IT行業(yè)研究的熱點(diǎn)，而深度學(xué)習(xí)技術(shù)是其中一項(xiàng)重要內(nèi)容，內(nèi)涵非常豐富，是一門跨領(lǐng)域的信息技術(shù)，該技術(shù)通過(guò)智能設(shè)備模擬學(xué)習(xí)的方式進(jìn)行，從激勵(lì)響應(yīng)和模型優(yōu)化到對(duì)激勵(lì)的結(jié)果進(jìn)行數(shù)值判斷。隨著全球信息技術(shù)的高速發(fā)展，深度學(xué)習(xí)技術(shù)發(fā)展也日新月異，在視頻、語(yǔ)音識(shí)別方面獲得了實(shí)質(zhì)性突破。借助深度學(xué)習(xí)技術(shù)可以讓機(jī)器自動(dòng)感知周圍環(huán)境，提高設(shè)備的智能化，從而提高工作效率。深度學(xué)習(xí)主要由神經(jīng)網(wǎng)絡(luò)研究發(fā)展而來(lái)，它是由多個(gè)感知器集成的深度學(xué)習(xí)系統(tǒng)，系統(tǒng)的網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。深度學(xué)習(xí)的過(guò)程主要分為兩個(gè)部分，首先訓(xùn)練每層的神經(jīng)單元，然后再采用“喚醒-睡眠”算法進(jìn)行優(yōu)化和調(diào)整，從而使系統(tǒng)“感知”到“確認(rèn)”緊密融合，深度訓(xùn)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(xué)習(xí)的網(wǎng)絡(luò)結(jié)構(gòu)圖

1.2 人臉檢測(cè)與識(shí)別

人臉檢測(cè)與識(shí)別技術(shù)屬于一種生物識(shí)別技術(shù)，該技術(shù)先通過(guò)人臉圖像確定圖像的形狀、顏色、大小等信息，然后對(duì)圖像進(jìn)行人臉區(qū)域定位，動(dòng)態(tài)獲取人臉的特征信息，通過(guò)人臉目標(biāo)檢測(cè)算法計(jì)算，與基礎(chǔ)庫(kù)的信息進(jìn)行比較，可以得出識(shí)別者的身份及相關(guān)信息。目標(biāo)檢測(cè)算法目前有多種形式，例如One-stage算法、SSD算法等都屬于目標(biāo)算法。另外，在人臉識(shí)別方面，主要采用人臉匹配算法，人臉匹配主要分為“一對(duì)一”和“一對(duì)多”兩種方式，“一對(duì)一”主要是直接判斷兩張圖是否為同一個(gè)人的臉，而“一對(duì)多”則是從人臉庫(kù)中提取相關(guān)的多個(gè)數(shù)據(jù)進(jìn)行再次匹配，目前“一對(duì)一”方式較為常用。人臉檢測(cè)與識(shí)別技術(shù)目前已廣泛運(yùn)用于各個(gè)行業(yè)，不僅提高了各行業(yè)的工作效率，而且提高了數(shù)據(jù)的安全性和可靠性。

1.3 神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)技術(shù)主要通過(guò)計(jì)算機(jī)網(wǎng)絡(luò)進(jìn)行模仿生物的神經(jīng)系統(tǒng)，該系統(tǒng)具有非線性、非穩(wěn)定性和非平衡性特點(diǎn)，目前使用最多的是卷神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)由神經(jīng)傳導(dǎo)模型演變而來(lái)，該神經(jīng)系統(tǒng)包含特征提取神經(jīng)元和抗形變神經(jīng)元兩種神經(jīng)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(hào)及其時(shí)間序列。在神經(jīng)傳導(dǎo)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(tǒng)性能。今后，隨著計(jì)算機(jī)網(wǎng)絡(luò)技術(shù)的快速發(fā)展，以及云計(jì)算、大數(shù)據(jù)發(fā)展的推動(dòng)，神經(jīng)網(wǎng)絡(luò)算法會(huì)有一個(gè)全新的突破。

2 算法模型和數(shù)據(jù)集

人臉識(shí)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(fā)展，該項(xiàng)技術(shù)也穩(wěn)步提升，而每種識(shí)別算法所對(duì)應(yīng)的網(wǎng)絡(luò)模型和訓(xùn)練集都存在差異，因此都各有優(yōu)缺點(diǎn)。為此，建立一個(gè)具有差異性的算法模型和訓(xùn)練集非常重要，這對(duì)后續(xù)研究工作進(jìn)展起到?jīng)Q定性的作用 [1]。

2.1 算法模型

目前，基于深度學(xué)習(xí)的人臉檢測(cè)算法層出不窮，但許多開(kāi)發(fā)者基于自身利益考慮，不公開(kāi)算法的源代碼。通過(guò)對(duì)目前公開(kāi)源代碼的算法進(jìn)行逐一分析，VGGFace算法的精確度是最高的，該算法主要運(yùn)用在模型識(shí)別和特征投影兩個(gè)方面，由于網(wǎng)絡(luò)中卷積層存在各自不同，使得網(wǎng)絡(luò)訓(xùn)練工作量較大 [2]。因?yàn)閂GGFace的運(yùn)行環(huán)境對(duì)硬件配置有很高的要求，所以要想在移動(dòng)設(shè)備上運(yùn)行是比較困難的，并且在運(yùn)行過(guò)程中的訓(xùn)練和特征提取都會(huì)占用大量時(shí)間，相比之下，Caffe-face由于網(wǎng)絡(luò)規(guī)模小、特征參數(shù)少，屬于輕量級(jí)，可以在移動(dòng)設(shè)備和一些小型設(shè)備中使用，而且該算法的精確度也很高。另外，在公開(kāi)源代碼的算法中，有一種算法為L(zhǎng)ightened CNN，該算法具有學(xué)習(xí)率高和迭代次數(shù)小的優(yōu)點(diǎn)，也是目前精確度較高的算法模型之一。

2.2 詞匯表達(dá)與分類訓(xùn)練

如果在人臉特征提取過(guò)程中出現(xiàn)滯后現(xiàn)象，可采用聚合方式進(jìn)行處理，即采用視覺(jué)詞匯表達(dá)的方式進(jìn)行，整個(gè)過(guò)程把人臉特征用視覺(jué)詞匯先表達(dá)出來(lái)，把詞匯集存儲(chǔ)在指定的庫(kù)中，并建立相應(yīng)的詞匯圖，該項(xiàng)流程完成后，每臺(tái)設(shè)備進(jìn)行深度學(xué)習(xí)的目標(biāo)可以實(shí)現(xiàn)。首先通過(guò)分類器對(duì)設(shè)備進(jìn)行訓(xùn)練，然后用測(cè)試集測(cè)試設(shè)備的訓(xùn)練程度，目前大多采用多層傳感器解決分類問(wèn)題，系統(tǒng)的神經(jīng)網(wǎng)絡(luò)采用梯度算法，可解決無(wú)法識(shí)別線性數(shù)據(jù)的問(wèn)題，使識(shí)別范圍進(jìn)一步擴(kuò)大。同時(shí)，用于識(shí)別的設(shè)備還可通過(guò)反向傳播算法精準(zhǔn)地統(tǒng)計(jì)出整個(gè)神經(jīng)系統(tǒng)中神經(jīng)元的實(shí)時(shí)數(shù)量，可進(jìn)一步改進(jìn)整個(gè)系統(tǒng)，提升系統(tǒng)的工作效率。

2.3 并行架構(gòu)設(shè)計(jì)

如果神經(jīng)網(wǎng)絡(luò)采用并行方式進(jìn)行設(shè)計(jì)，可提升整個(gè)網(wǎng)絡(luò)的詞匯表達(dá)效率，加強(qiáng)圖像識(shí)別能力，但由于對(duì)設(shè)備訓(xùn)練的方式多種多樣，極易出現(xiàn)梯度擴(kuò)散現(xiàn)象，導(dǎo)致訓(xùn)練難度進(jìn)一步加大。為了解決這一問(wèn)題，目前采用無(wú)標(biāo)簽數(shù)據(jù)對(duì)每個(gè)設(shè)備單獨(dú)進(jìn)行分層次訓(xùn)練，先對(duì)底層網(wǎng)絡(luò)進(jìn)行訓(xùn)練，把訓(xùn)練結(jié)果作為樣本，再進(jìn)入下一層的網(wǎng)絡(luò)訓(xùn)練中，整個(gè)過(guò)程僅需要少部分帶標(biāo)簽的數(shù)據(jù)進(jìn)行細(xì)調(diào)，這樣可以大幅度提升整個(gè)神經(jīng)網(wǎng)絡(luò)對(duì)人臉識(shí)別的準(zhǔn)確度及效率。

2.4 數(shù)據(jù)集

基于深度學(xué)習(xí)的輕量級(jí)人臉檢測(cè)模型一般都要通過(guò)大數(shù)據(jù)技術(shù)的積極配合，有些數(shù)據(jù)可通過(guò)外界或其他途徑獲取，如可以通過(guò)互聯(lián)網(wǎng)、監(jiān)控視頻、個(gè)人證件、生活照片等方式獲取，由于這些數(shù)據(jù)格式千差萬(wàn)別，需要分別進(jìn)行數(shù)據(jù)轉(zhuǎn)換才能使用，且轉(zhuǎn)換過(guò)程必須按同一標(biāo)準(zhǔn)進(jìn)行。在進(jìn)行深度學(xué)習(xí)人臉檢測(cè)模型研究中，要求對(duì)人臉數(shù)據(jù)建立一個(gè)數(shù)據(jù)集，并且對(duì)這些數(shù)據(jù)進(jìn)行大數(shù)據(jù)分析，本文主要應(yīng)用兩種數(shù)據(jù)集，一種是CASIA-WebFace，另一種是UMDfaces，為網(wǎng)絡(luò)訓(xùn)練做預(yù)先的準(zhǔn)備，這樣可提高人臉檢測(cè)的準(zhǔn)確性。

2.5 測(cè)試結(jié)果

對(duì)系統(tǒng)的數(shù)據(jù)集進(jìn)行有效統(tǒng)計(jì)分析，如果采用面部圖像數(shù)據(jù)集進(jìn)行測(cè)試，準(zhǔn)確度為0.95，數(shù)據(jù)回收率為0.94，其數(shù)據(jù)精準(zhǔn)度為0.935;如果采用面部表情數(shù)據(jù)集進(jìn)行測(cè)試，準(zhǔn)確度為0.98，數(shù)據(jù)回收率為0.978，其數(shù)據(jù)精準(zhǔn)度為0.971。根據(jù)測(cè)試結(jié)果得出，利用面部圖像數(shù)據(jù)集測(cè)試精準(zhǔn)度為0.935，而利用面部表情數(shù)據(jù)集測(cè)試精準(zhǔn)度為0.978，并且，如果人臉圖像背景較暗時(shí)，精準(zhǔn)度也降低，本項(xiàng)目在今后的研究中將進(jìn)行持續(xù)改進(jìn)，對(duì)特征算法進(jìn)行改進(jìn)和優(yōu)化，使該算法適用環(huán)境范圍更加廣泛。

3 人臉檢測(cè)預(yù)處理和特征參數(shù)

3.1 人臉檢測(cè)預(yù)處理

對(duì)于深度學(xué)習(xí)的人臉檢測(cè)算法，在算法模型確定的同時(shí)，用于訓(xùn)練的數(shù)據(jù)集也要確定下來(lái)，根據(jù)算法的要求，必須對(duì)人臉數(shù)據(jù)進(jìn)行預(yù)處理，對(duì)特征參數(shù)進(jìn)行融合分析。通常情況下，人臉圖像都含有大量的冗余數(shù)據(jù)信息，如圖像背景、光線強(qiáng)度等，這些信息對(duì)人臉檢測(cè)有不良影響，使得檢測(cè)的準(zhǔn)確度下降，同時(shí)檢測(cè)的時(shí)間也會(huì)延長(zhǎng)，而人臉信息預(yù)處理會(huì)提高整個(gè)算法模型的精度?；谏疃葘W(xué)習(xí)的人臉檢測(cè)算法可自動(dòng)學(xué)習(xí)人臉的特征信息，這樣可提升人臉檢測(cè)效率，縮短檢測(cè)時(shí)間，比傳統(tǒng)的人臉檢測(cè)算法有一定提升。在目前的人臉檢測(cè)算法中，MTCNN算法在人臉預(yù)處理中效率較高，為了使人臉歸一化質(zhì)量提高，可采用仿射變化方式 [3]。之后，根據(jù)CASIA-WebFace和UMDfaces這兩個(gè)數(shù)據(jù)集，把這些數(shù)據(jù)特征進(jìn)行統(tǒng)一的數(shù)據(jù)整理和分析，得出人臉的數(shù)據(jù)特征。

3.2 人臉特征參數(shù)

人臉檢測(cè)的第二個(gè)步驟是人臉特征提取和融合，在提取人臉圖像的數(shù)據(jù)后，通過(guò)算法先對(duì)圖像數(shù)據(jù)進(jìn)行預(yù)處理，同時(shí)提取出人臉的特征參數(shù)，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(cè)算法是基于卷神經(jīng)網(wǎng)絡(luò)的，該網(wǎng)絡(luò)結(jié)構(gòu)屬于分層結(jié)構(gòu)，對(duì)各種數(shù)據(jù)模型進(jìn)行數(shù)據(jù)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?biāo)惴?，?duì)具有維數(shù)較高的特征進(jìn)行降維，以此判定下一步數(shù)據(jù) [4]。在得到人臉模型的基礎(chǔ)特征后進(jìn)行比較，各個(gè)特征和維度千差萬(wàn)別，這樣會(huì)導(dǎo)致特征融合的差異性，由于不同數(shù)據(jù)模型的權(quán)重各不相同，為了解決這一問(wèn)題，必須先進(jìn)行降維處理，降維后要重新分析模型的精度是否有變化，進(jìn)而測(cè)試該模型的組合特征。

4 基于深度學(xué)習(xí)的輕量級(jí)人臉檢測(cè)模型

4.1 系統(tǒng)設(shè)計(jì)

針對(duì)人臉識(shí)別所對(duì)應(yīng)的各種外部環(huán)境，把深度學(xué)習(xí)算法融入其中，設(shè)計(jì)出基于深度學(xué)習(xí)的輕量級(jí)人臉檢測(cè)算法模型。本系統(tǒng)具有功能擴(kuò)展性、穩(wěn)定性、高效性等特點(diǎn)，整個(gè)系統(tǒng)的功能設(shè)計(jì)內(nèi)容如下。

（1）節(jié)目管理模塊。該模塊功能主要用于節(jié)目的日常管理，如節(jié)目編輯、數(shù)據(jù)保存、輸入輸出管理等，對(duì)待檢節(jié)目進(jìn)行實(shí)時(shí)監(jiān)測(cè)，并保存相關(guān)的監(jiān)測(cè)信息，對(duì)節(jié)目進(jìn)行識(shí)別并做好標(biāo)記與分段，有效存儲(chǔ)人臉識(shí)別的特征信息。

（2）數(shù)據(jù)功能模塊。在深度學(xué)習(xí)的人臉識(shí)別系統(tǒng)中，數(shù)據(jù)處理是本系統(tǒng)的核心功能，主要對(duì)視頻中的數(shù)據(jù)進(jìn)行有效處理，即對(duì)與人臉信息無(wú)關(guān)的內(nèi)容予以刪除，有效信息予以保存，同時(shí)將人臉的輪廓、位移進(jìn)行細(xì)微調(diào)整，把調(diào)整好的數(shù)據(jù)傳輸?shù)缴疃葘W(xué)習(xí)系統(tǒng)中，通過(guò)一系列算法，得出人臉的檢測(cè)結(jié)果。另外，數(shù)據(jù)處理還可通過(guò)反復(fù)迭代的運(yùn)算形式進(jìn)一步優(yōu)化系統(tǒng)功能。

（3）工作模塊。該功能主要包括信息管理、系統(tǒng)參數(shù)維護(hù)、權(quán)限管理等，日常工作管理的主要內(nèi)容包括日常任務(wù)、信息查詢、數(shù)據(jù)下載、數(shù)據(jù)審核等，在各個(gè)日常任務(wù)中數(shù)據(jù)審核是最主要的功能，一般是通過(guò)人工方式進(jìn)行，按照最初的設(shè)想，識(shí)別方式為自動(dòng)識(shí)別，對(duì)識(shí)別結(jié)果進(jìn)行人工審核。

（4）流程管理模塊。該功能主要是先下載即將進(jìn)行檢測(cè)的視頻，對(duì)錄像進(jìn)行初步的視頻處理，包括視頻的格式、人臉特征信息、環(huán)境信息等，將處理完成后的數(shù)據(jù)保存到檢測(cè)系統(tǒng)的數(shù)據(jù)庫(kù)中，系統(tǒng)將該特征信息與特征庫(kù)的數(shù)據(jù)信息進(jìn)行匹配，將匹配結(jié)果以人工方式輸出，同樣也經(jīng)過(guò)人工復(fù)核，這樣可確保檢測(cè)的準(zhǔn)確性。

4.2 特征訓(xùn)練

本算法經(jīng)過(guò)上述環(huán)節(jié)后，即將進(jìn)行最后的一個(gè)步驟，即特征訓(xùn)練，這是基于深度學(xué)習(xí)的輕量級(jí)人臉檢測(cè)算法的關(guān)鍵步驟，主要是在建立深度融合的神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上進(jìn)行組合特征訓(xùn)練。該網(wǎng)絡(luò)結(jié)構(gòu)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，F(xiàn)B的維數(shù)是FA的3倍，維度的不同使得后續(xù)的特征參數(shù)也不相同，特征訓(xùn)練、人臉特征參數(shù)、分類層和網(wǎng)絡(luò)神經(jīng)元數(shù)量對(duì)應(yīng)3個(gè)全連接層，訓(xùn)練和測(cè)試方式都在Caffe框架內(nèi)實(shí)現(xiàn)，訓(xùn)練方法主要包括模型及參數(shù)的設(shè)置和訓(xùn)練方式，測(cè)試主要采用梯度下降法 [5]。

4.3 算法測(cè)試

為了確保基于深度學(xué)習(xí)的輕量級(jí)人臉檢測(cè)模型的精準(zhǔn)性，用兩個(gè)不同人臉的數(shù)據(jù)信息進(jìn)行檢測(cè)，評(píng)價(jià)指標(biāo)采用ROC標(biāo)準(zhǔn)，從實(shí)驗(yàn)數(shù)據(jù)來(lái)看，本文的算法與其他算法進(jìn)行各項(xiàng)指標(biāo)對(duì)比，如果訓(xùn)練較小，準(zhǔn)確率分別為98.9%和93.42%，可以看出，本文算法的檢測(cè)效果較好，基本上達(dá)到了預(yù)期目的。另外，通過(guò)進(jìn)一步的測(cè)試分析，對(duì)人臉進(jìn)行最全測(cè)試集中，效果也是最好的，如果能把這兩個(gè)優(yōu)點(diǎn)結(jié)合，在此基礎(chǔ)上進(jìn)行相應(yīng)改進(jìn)，則可能效果更好，可提高權(quán)重值。

5 結(jié)語(yǔ)

隨著深度學(xué)習(xí)技術(shù)不斷創(chuàng)新，人臉檢測(cè)技術(shù)將往更高的方向發(fā)展，人臉檢測(cè)技術(shù)是目前各行業(yè)廣泛運(yùn)用的安全技術(shù)之一，不同的學(xué)習(xí)模型則存在不同的檢測(cè)精度。本文通過(guò)人臉檢測(cè)預(yù)處理和特征參數(shù)融合兩個(gè)過(guò)程，得到了基于深度學(xué)習(xí)的輕量級(jí)人臉檢測(cè)模型，它具有高精確度、檢測(cè)時(shí)間短、安全可靠的特點(diǎn)。未來(lái)，隨著人臉檢測(cè)在精確度及動(dòng)態(tài)識(shí)別技術(shù)的高速發(fā)展，該技術(shù)將會(huì)逐步成熟和完善。

參 考 文 獻(xiàn)

[1]崔慶華.基于深度學(xué)習(xí)的人臉識(shí)別技術(shù)分析[J].計(jì)算機(jī)產(chǎn)品與流通，2019，12（16）：63-66.

[2]楊涵.基于深度學(xué)習(xí)的人臉識(shí)別算法研究[J].電子設(shè)計(jì)工程，2019，27（19）：155-159.

[3]張卓群，曹鐘淼，王慧，等.深度學(xué)習(xí)與人臉識(shí)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(xué)習(xí)與特征融合的人臉識(shí)別算法[J].電子科技，2019，5（8）：78-81.

[5]黃發(fā)揚(yáng).淺談基于神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)算法的人臉識(shí)別技術(shù)[J].智能建筑，2019，10（28）：104-106.