人臉識別技術(shù)研究與分析

作者/向花儀，重慶第八中學(xué)校

1.人臉識別發(fā)展概述與技術(shù)難點(diǎn)

人臉識別技術(shù)是自本世紀(jì)六七十年代就興起的，計算機(jī)視覺領(lǐng)域的典型應(yīng)用，由于其涉及生理學(xué)、模式識別和認(rèn)知科學(xué)等多個領(lǐng)域，因此其發(fā)展也受到這些領(lǐng)域難點(diǎn)的限制。

人臉識別主要包括人臉檢測定位和人臉特征提取識別。前者是從背景中分割出人臉目標(biāo)，經(jīng)過歸一化處理，后者要求特征提取算法具有不變性。前者面臨的技術(shù)難點(diǎn)在于人臉目標(biāo)模式的多樣性和背景的復(fù)雜性。因此，對背景情境做合理假設(shè)以簡化問題是非常必要的。在此基礎(chǔ)上，高維空間人臉模型的構(gòu)建是最復(fù)雜的部分，因?yàn)榻⒕_估計需要充足的負(fù)樣本，負(fù)樣本的產(chǎn)生和利用是研究熱點(diǎn)之一。與其他機(jī)器學(xué)習(xí)應(yīng)用類似，統(tǒng)計與知識相結(jié)合能達(dá)到更好效果。后者面臨的技術(shù)難點(diǎn)在于人臉是彈性模型，建模難度高于剛體建模。因此, 任何基于剛體特性的特征抽取方法都很難達(dá)到滿意的效果。此外，人臉的多變性與心理學(xué)和生理學(xué)特征相關(guān)，因此，將彈性建模與人類視覺特點(diǎn)相結(jié)合效果更好。

2.人臉檢測定位與人臉特征提取識別技術(shù)概述

本篇將分別綜述人臉檢測定位技術(shù)和特征提取識別技術(shù)。

人臉檢測定位技術(shù)使依據(jù)統(tǒng)計或知識或兩者結(jié)合的方法進(jìn)行建模, 再判斷待測區(qū)域與人臉模型的匹配度。統(tǒng)計方法是將人臉看做高維向量, 從而將問題轉(zhuǎn)化為高維信號分布檢測，主要包括分類法和子空間法、空間陪陪濾波器法等三種方法。最常用的是分類器法，將人臉檢測看做人臉與非人臉的二分類問題。知識方法是建立規(guī)則, 將問題轉(zhuǎn)化為驗(yàn)證假設(shè)問題。主要包括以下五類規(guī)則[1]：(1)分布規(guī)則:人臉器官何有差別，但其分布穩(wěn)定，所以可將人臉檢測轉(zhuǎn)化為是否存在符合分布的規(guī)則塊。包括“自上而下”和“自下而上”兩種方法。Yang等人提出Mosaic方法屬于前者，后者需先對器官分布位置做檢測,然后組合各位置點(diǎn), 再利用分布規(guī)則篩選出可能人臉。此外，人臉各器官分布具有對稱性，也可加入特征工程提高檢測精度和速度。(2)輪廓規(guī)則:人臉的輪廓近似橢圓,基于此規(guī)則，Goyind提出認(rèn)知模型,人臉建模為上下兩個弧和兩條直線, 問題轉(zhuǎn)化為對直線和弧的檢測。(3)紋理和顏色規(guī)則[2]：利用顏色信息可將人臉與背景分割開來，此處的重點(diǎn)是處理復(fù)雜背景下目標(biāo)物體的檢測。(4)運(yùn)動規(guī)則:在動態(tài)場景的人臉檢測任務(wù)中，可利用說話、眨眼等信息更方便分割人臉目標(biāo)和背景。

在人臉檢測定位后，特征檢測前，需要做歸一化處理。幾何歸一化是對大小和位置做調(diào)整，灰度歸一化是做光線變化。

人臉特征提取與識別方法主要有以下幾種[3]：(1)幾何特征法。人臉各組成部件自身的差異性和組合結(jié)構(gòu)的多樣性是兩大類特征。經(jīng)典算法有參數(shù)法和可變模板法。(2)特征臉?biāo)惴āＴ摲椒ɑ谔卣髯儞Q，實(shí)用且簡單，但由于其依賴于訓(xùn)練集和測試集圖像的相似性，局限性較大。(3）彈性模型法。人臉可看做畸變不變性物體，再應(yīng)用動態(tài)鏈接模型將該目標(biāo)描述為稀疏圖，以此作為彈性模型的特征從而做人臉識別。

3.深度學(xué)習(xí)算法解決人臉識別問題

2006年以前，超過三層的神經(jīng)網(wǎng)絡(luò)模型效率低下，其后，Geoあrey教授在Science上發(fā)表的一篇關(guān)于深度學(xué)習(xí)的論文，再次引發(fā)了神經(jīng)網(wǎng)絡(luò)的研究熱潮。該文章有兩大觀點(diǎn)：一是多隱含層的神經(jīng)網(wǎng)絡(luò)特征學(xué)習(xí)效果突出，能學(xué)習(xí)到圖像的本質(zhì)特征；二是多層神經(jīng)網(wǎng)絡(luò)的優(yōu)化復(fù)雜度可以通過“逐層初始化”得到克服。正是這兩個核心觀點(diǎn)的出現(xiàn)加之研究學(xué)者的不斷努力，使得神經(jīng)網(wǎng)絡(luò)攻克難以訓(xùn)練的危機(jī)，再次成為大數(shù)據(jù)和人工智能時代的主角。

在傳統(tǒng)的圖像處理技術(shù)主要包括特征提取和分類器兩部分，特征提取算法的設(shè)計復(fù)雜性與應(yīng)用局限性、穩(wěn)定性，以及特定的特征提取算法與特定的分類器相結(jié)合的多樣性限制著圖像處理技術(shù)的發(fā)展。神經(jīng)網(wǎng)絡(luò)的出現(xiàn)，使端到端的圖像處理成為可能，當(dāng)網(wǎng)絡(luò)的隱藏層發(fā)展到多層時便稱之為深度學(xué)習(xí)，但同時需要用逐層初始化技術(shù)解決深層次網(wǎng)絡(luò)訓(xùn)練難度大的問題，之后深度學(xué)習(xí)便成為時代的主角。而卷積神經(jīng)網(wǎng)絡(luò)（CNN）便是深度學(xué)習(xí)與圖像處理技術(shù)相結(jié)合所產(chǎn)生的經(jīng)典模型，實(shí)現(xiàn)該模型的網(wǎng)絡(luò)實(shí)例在特定的圖像問題處理上都卓有成效。

神經(jīng)網(wǎng)絡(luò)之所以能和圖像領(lǐng)域相結(jié)合，并呈現(xiàn)巨大的發(fā)展前景，是有生物學(xué)依據(jù)的。人類視覺信息處理機(jī)制的發(fā)現(xiàn)，是19世紀(jì)19年代生物學(xué)界的重大發(fā)現(xiàn)之一，它證明了大腦可視皮層是分級存在的。人的視覺系統(tǒng)是一個反復(fù)抽象和迭代的過程。而卷積神經(jīng)網(wǎng)絡(luò)，就模擬了這個過程。首先，每一個卷積層，便是將具體信息做抽象的過程，而多個卷積層串聯(lián)操作，便是將上一層的抽象結(jié)果再做抽象處理的過程，稱之為迭代。在這個抽象迭代的過程中，不斷抽取大腦可感知的高維度特征。如當(dāng)一幅圖像經(jīng)過視網(wǎng)膜進(jìn)入視野，首先會將光線像素等信息抽象為圖像邊緣信息，然后再抽象為目標(biāo)物體的某一部位，再抽象為物體輪廓形成對整個目標(biāo)的感知。

卷積神經(jīng)網(wǎng)絡(luò)包括卷積池化層操作和全連接層操作[4]。該網(wǎng)絡(luò)基于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)，主要做了參數(shù)數(shù)量和訓(xùn)練難度方面的優(yōu)化。后者各層網(wǎng)絡(luò)之間采用的是全連接，導(dǎo)致參數(shù)數(shù)量較多，由此便需要足夠多的訓(xùn)練數(shù)據(jù)才可能達(dá)到較好的訓(xùn)練效果，這限制了網(wǎng)絡(luò)的深度和大小。前者采用局部視野和參數(shù)共享機(jī)制，大大較少了參數(shù)數(shù)量。局部視野就相當(dāng)于人再觀察世界時，并不是全局觀察，而是分局部觀察，每個局部會觀察到一些特征，這些特征組合起來便是整個視野的特征。參數(shù)共享就好比是每個人觀察不同的物體時所用的都是同樣的視覺系統(tǒng)，而不同人的視覺系統(tǒng)則不同。而全連接層用的便是傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)加上分類器，最后一層神經(jīng)元個數(shù)等于分類結(jié)果的個數(shù)，分類器多選擇LR或SoftMax。

卷積神經(jīng)網(wǎng)絡(luò)已成功應(yīng)用到多種圖像處理應(yīng)用中，如分類、檢索、圖像語義分割、手寫識別等。深度學(xué)習(xí)算法在人臉識別上的應(yīng)用比起傳統(tǒng)方法優(yōu)勢明顯, 因?yàn)閷θ四樧R別的許多規(guī)律或規(guī)則進(jìn)行顯性的描述是相當(dāng)困難的, 而神經(jīng)網(wǎng)絡(luò)方法則可以通過學(xué)習(xí)的過程獲得對這些規(guī)律和規(guī)則的隱性表達(dá), 適應(yīng)性更強(qiáng)且更容易實(shí)現(xiàn)。

用CNN替代特征提取算法后，人臉識別技術(shù)實(shí)現(xiàn)了端到端處理[5]，不再需要復(fù)雜的處理流程和巧妙的模型搭配即可完成。正是因?yàn)槎说蕉说膶傩?，使得包括CNN在內(nèi)的深度學(xué)習(xí)算法像黑盒子一樣被應(yīng)用于各個任務(wù)中。雖然深度學(xué)習(xí)用逐層處理化解決了神經(jīng)網(wǎng)絡(luò)訓(xùn)練難的問題，CNN又用局部視野和權(quán)重共享解決了神經(jīng)網(wǎng)絡(luò)參數(shù)過多的問題，但其同樣面臨著模型負(fù)責(zé)，調(diào)參難度大，所需訓(xùn)練數(shù)據(jù)量大的困難。在此基礎(chǔ)上，又出現(xiàn)了殘差網(wǎng)絡(luò)、遷移學(xué)習(xí)等技術(shù)使得深度學(xué)習(xí)應(yīng)用更加廣泛。遷移學(xué)習(xí)應(yīng)用于圖像處理領(lǐng)域，便是如R–CNN算法所示，用到其他任務(wù)上所訓(xùn)練出的中間結(jié)果，如多個卷積層所得到的4096維向量，最后根據(jù)需求加上自己的全連接層即可。遷移學(xué)習(xí)大大解決了訓(xùn)練難度大所帶來的領(lǐng)域難題。

4.人臉識別應(yīng)用創(chuàng)新

人臉識別的用途現(xiàn)在越來越廣，各行各業(yè)都在嘗試用人臉識別提升客戶體驗(yàn)、優(yōu)化服務(wù)水平，除了百度進(jìn)行的以圖搜圖應(yīng)用以外，還有如通過用戶所上傳的圖片自動識別人臉按人物進(jìn)行相冊分類，或通過人臉識別進(jìn)行物理防盜，找通緝犯，和進(jìn)行安保系統(tǒng)的設(shè)計，本文接下來將以人臉識別部分的現(xiàn)有理論為基礎(chǔ)，提出部分創(chuàng)新應(yīng)用。

（1）臉盲癥應(yīng)用。這一現(xiàn)象在社交恐懼和生理疾病的人群中較為常見。例如在觀察電影中，這類人群并不能在幀快速切換中記住每個人物，基于人臉識別技術(shù)，可以對影像視頻每一幀中出現(xiàn)的人物做人名標(biāo)注。

（2）特殊人物偵查系統(tǒng)。在開放空間做精確快速的人臉識別可能并不實(shí)際，但在特定數(shù)據(jù)庫中做人臉檢索卻切實(shí)可行?；诖颂匦?，可以開發(fā)一款識別特定人物的應(yīng)用。如“老板來了”，在職員瀏覽非工作屏幕時，如果攝像頭捕捉到某人出現(xiàn)在電腦后方某區(qū)域，并檢測出該人是老板，便自動報警，切換電腦屏幕至工作頁面。

（3）社交軟件的應(yīng)用。① 好友度計算?？稍谟脩羯蟼髂橙苏掌瑫r，在用戶的三度好友數(shù)據(jù)庫中查找該人照片，作為好友推薦的一個特征，若該人已是用戶好友，則可作為好友親密度的一個特征。② 相親交友網(wǎng)站功能提升。我們可先向用戶展示大量不同類型的異性照片，記錄用戶在該照片上注意力停留時間，對停留時間較高的照片做聚類，作為對象推薦的一個特征。

5.人臉關(guān)鍵點(diǎn)檢測應(yīng)用創(chuàng)新

目前已有大量的美顏、化妝、拍照等軟件可利用面部特征點(diǎn)檢測做個體年齡，性別，職業(yè)，身體狀況信息分析，從而實(shí)現(xiàn)人臉圖像處理。本文提出了部分創(chuàng)新應(yīng)用。

（1）虛擬化妝和卸妝。用戶可上傳照片后，用戶可以對導(dǎo)入到軟件中的數(shù)碼照片進(jìn)行如去涂抹口紅、唇線、面部涂粉、描繪眼線和添加飾品等(如耳飾、頭飾、項鏈、眼鏡等)虛擬化妝操作，也可進(jìn)行相反的卸妝處理，可讓用戶提前看到自己選擇的發(fā)型或妝容是否符合自己。

（2）跨年齡人臉識別和跨代人臉識別。① 通過父母的照片，把父母的共同點(diǎn)融合快速的合成為未來孩子的照片。② 在一系列父母小孩照片中找出具有親緣關(guān)系的一家人。③ 用戶上傳照片并標(biāo)明年齡，然后對其進(jìn)行各個年齡段的長相預(yù)測

（3）微表情檢測。① 用戶上傳照片后，與心理學(xué)，微表情學(xué)相結(jié)合，識別心情，或是否撒謊等。② 利用微表情控制程序，如疲勞駕駛時主動提醒，或通過表情控制家具，如鎖門，啟動烘干機(jī)等。

人臉識別系統(tǒng)的研究始于20世紀(jì)60年代，80年代后隨著計算機(jī)技術(shù)和光學(xué)成像技術(shù)的發(fā)展得到提高，而真正進(jìn)入初級的應(yīng)用階段則在90年后期，并且以美國、德國和日本的技術(shù)實(shí)現(xiàn)為主；人臉識別系統(tǒng)成功的關(guān)鍵在于是否擁有尖端的核心算法，并使識別結(jié)果具有實(shí)用化的識別率和識別速度；目前“人臉識別系統(tǒng)”已經(jīng)集成了模式識別、機(jī)器學(xué)習(xí)、模型理論、專家系統(tǒng)、視頻圖像處理等多種專業(yè)技術(shù)取得了長足進(jìn)步。人臉識別核心技術(shù)的實(shí)現(xiàn)，展現(xiàn)了弱人工智能向

* [1]易軍. 人臉識別中的特征提取與度量學(xué)習(xí)算法研究[D].北京郵電大學(xué),2015.

* [2]胡敏,程天梅,王曉華. 融合全局和局部特征的人臉識別[J].電子測量與儀器學(xué)報 ,2013,(09)∶817—822.

* [3]湯德俊. 人臉識別中圖像特征提取與匹配技術(shù)研究[D].大連海事大學(xué),2013.

* [4]吳正文. 卷積神經(jīng)網(wǎng)絡(luò)在圖像分類中的應(yīng)用研究[D].電子科技大學(xué),2015.

* [5]汪濟(jì)民. 基于卷積神經(jīng)網(wǎng)絡(luò)的人臉檢測和性別識別研究[D].南京理工大學(xué),2015.